Ebook Machine Learning and Iot For Intelligent Systems and Smart Applications 1St Edition Online PDF All Chapter

Machine Learning and IoT for Intelligent
Systems and Smart Applications 1st

Edition
Visit to download the full and correct content document:
https://ebookmeta.com/product/machine-learning-and-iot-for-intelligent-systems-and-s
mart-applications-1st-edition/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...
Machine Learning Techniques and Analytics for Cloud

Security Advances in Learning Analytics for Intelligent
Cloud IoT Systems 1st Edition Chakraborty
https://ebookmeta.com/product/machine-learning-techniques-and-
analytics-for-cloud-security-advances-in-learning-analytics-for-
intelligent-cloud-iot-systems-1st-edition-chakraborty/
IoT enabled Smart Healthcare Systems Services and

Applications 1st Edition Various Autors
https://ebookmeta.com/product/iot-enabled-smart-healthcare-
systems-services-and-applications-1st-edition-various-autors/
Deep Learning and IoT in Healthcare Systems: Paradigms

and Applications 1st Edition
https://ebookmeta.com/product/deep-learning-and-iot-in-
healthcare-systems-paradigms-and-applications-1st-edition/
Artificial Intelligence, Internet of Things (IoT) and

Smart Materials for Energy Applications (Smart
Engineering Systems: Design and Applications) 1st
Edition Mohan Lal Kolhe (Editor)
https://ebookmeta.com/product/artificial-intelligence-internet-
of-things-iot-and-smart-materials-for-energy-applications-smart-
engineering-systems-design-and-applications-1st-edition-mohan-
AI, Edge and IoT-based Smart Agriculture (Intelligent
Data-Centric Systems) 1st Edition Ajith Abraham
(Editor)
https://ebookmeta.com/product/ai-edge-and-iot-based-smart-
agriculture-intelligent-data-centric-systems-1st-edition-ajith-
abraham-editor/
IoT, Machine learning and Blockchain Technologies for

Renewable Energy and Modern Hybrid Power Systems 1st
Edition C. Sharmeela
https://ebookmeta.com/product/iot-machine-learning-and-
blockchain-technologies-for-renewable-energy-and-modern-hybrid-
power-systems-1st-edition-c-sharmeela/
Computer Vision and Machine Learning in Agriculture

(Algorithms for Intelligent Systems) Mohammad Shorif
Uddin (Editor)
https://ebookmeta.com/product/computer-vision-and-machine-
learning-in-agriculture-algorithms-for-intelligent-systems-
mohammad-shorif-uddin-editor/
Machine Learning for Intelligent Multimedia Analytics

Techniques and Applications Pardeep Kumar Amit Kumar
Singh Eds
https://ebookmeta.com/product/machine-learning-for-intelligent-
multimedia-analytics-techniques-and-applications-pardeep-kumar-
amit-kumar-singh-eds/
Design of Intelligent Applications using Machine

Learning and Deep Learning Techniques 1st Edition
Ramchandra Sharad Mangrulkar (Editor)
https://ebookmeta.com/product/design-of-intelligent-applications-
using-machine-learning-and-deep-learning-techniques-1st-edition-
ramchandra-sharad-mangrulkar-editor/
MACHINE LEARNING
AND IOT FOR
INTELLIGENT SYSTEMS
AND SMART
APPLICATIONS
Computational Intelligence in Engineering Problem
Solving
Series Editor: Nilanjan Dey
Computational Intelligence (CI) can be framed as a heterogeneous domain that har-

monized and coordinated several technologies, such asprobabilistic reasoning, artificial
life, multi-agent systems, neuro-computing, fuzzy systems, and evolutionary algorithms.
Integrating several isciplines, such as Machine Learning (ML), Artificial Intelligence
(AI), Decision Support Systems (DSS), and Database Management Systems (DBMS)
increases the CI power and impact in several engineering applications. This book series
provides a well-standing forum to discuss the characteristics of CI systems in en-
gineering. It emphasizes on the development of CI techniques and their role as well as
the state-of-the- art solutions in different real world engineering applications. The book
series is proposed for researchers, academics, scientists, engineers and professionals
who are nvolved in the new techniques of CI. CI techniques including artificial fuzzy
logic and neural networks are presented for biomedical image processing, power sys-
tems, and reactor applications.
Applied Machine Learning for Smart Data Analysis

Nilanjan Dey, Sanjeev Wagh, Parikshit N. Mahalle, Mohd. Shafi Pathan
IoT Security Paradigms and Applications

Research and Practices
Sudhir Kumar Sharma, Bharat Bhushan, Narayan C. Debnath
Applied Intelligent Decision Making in Machine Learning

Himansu Das, Jitendra Kumar Rout, Suresh Chandra Moharana, Nilanjan Dey
Machine Learning and IoT for Intelligent Systems and Smart Applications
Madhumathy P, M Vinoth Kumar and R. Umamaheswari
Industrial Power Systems: Evolutionary Aspects

Amitava Sil and Saikat Maity
For more information about this series, please visit: https://www.crcpress.com/Compu-

tational-Intelligence-in-Engineering-Problem-Solving/book-series/CIEPS
MACHINE LEARNING
AND IOT FOR
INTELLIGENT SYSTEMS
AND SMART
APPLICATIONS
Edited by
Madhumathy P., M. Vinoth Kumar, and
R. Umamaheswari
First edition published 2022
by CRC Press
6000 Broken Sound Parkway NW, Suite 300, Boca Raton, FL 33487-2742
and by CRC Press
2 Park Square, Milton Park, Abingdon, Oxon, OX14 4RN
© 2022 selection and editorial matter, Madhumathy P, M Vinoth Kumar and
R. Umamaheswari; individual chapters, the contributors
CRC Press is an imprint of Taylor & Francis Group, LLC
Reasonable efforts have been made to publish reliable data and information, but the author
and publisher cannot assume responsibility for the validity of all materials or the
consequences of their use. The authors and publishers have attempted to trace the copyright
holders of all material reproduced in this publication and apologize to copyright holders
if permission to publish in this form has not been obtained. If any copyright material has not
been acknowledged please write and let us know so we may rectify in any future reprint.
Except as permitted under U.S. Copyright Law, no part of this book may be reprinted,
reproduced, transmitted, or utilized in any form by any electronic, mechanical, or other
means, now known or hereafter invented, including photocopying, microfilming, and
recording, or in any information storage or retrieval system, without written permission
from the publishers.
For permission to photocopy or use material electronically from this work, access
www.copyright.com or contact the Copyright Clearance Center, Inc. (CCC), 222 Rosewood
Drive, Danvers, MA 01923, 978-750-8400. For works that are not available on CCC please
contact mpkbookspermissions@tandf.co.uk
Trademark notice: Product or corporate names may be trademarks or registered trademarks
and are used only for identification and explanation without intent to infringe.
Library of Congress Cataloging-in-Publication Data
A catalog record has been requested for this book
ISBN: 978-1-032-04723-2 (hbk)

ISBN: 978-1-032-04725-6 (pbk)
ISBN: 978-1-003-19441-5 (ebk)
DOI: 10.1201/9781003194415
Typeset in Times
by MPS Limited, Dehradun
Contents
Preface......................................................................................................................vii
Editors’ Biographies .................................................................................................ix
Contributors ..............................................................................................................xi
Chapter 1 A Study on Feature Extraction and Classification Techniques for

Melanoma Detection ........................................................................... 1
S. Poovizhi, T. R. Ganesh Babu, R. Praveena, and
J. Kirubakaran
Chapter 2 Machine Learning Based Microstrip Antenna Design in

Wireless Communications.................................................................23
Ranjana Ray, Moumita Pal, R. Umamaheswari, and
Ishita Banerjee
Chapter 3 LCL-T Filter Based Analysis of Two Stage Single Phase

Grid Connected Module with Intelligent FANN Controllers ..........35
R. Raja, V. Sudha, Balachandra Pattanaik, and Madhumathy P.
Chapter 4 Motion Vector Analysis Using Machine Learning Models to

Identify Lung Damages for COVID-19 Patients .............................63
Malik Mohamed Umar, Murugaiya Ramashini, and
M.G.M. Milani
Chapter 5 Enhanced Effective Generative Adversarial Networks Based

LRSD and SP Learned Dictionaries with Amplifying CS ..............83
K. Elaiyaraja, M. Senthil Kumar, and B. Chidhambararajan
Chapter 6 Deep Learning Based Parkinson’s Disease Prediction

System................................................................................................97
G. Padmapriya, R. Elakkiya, M. Prakash, and Vinoth Kumar M.
Chapter 7 Non-Uniform Data Reduction Technique with Edge Preservation

to Improve Diagnostic Visualization of Medical Images ..............113
K. Vidhya, T. R. Ganesh Babu, B. Thilakavathi, S. Poovizhi, and
Madhumathy P.
v
vi Contents
Chapter 8 A Critical Study on Genetically Engineered Bioweapons and

Computer-Based Techniques as Counter Measure......................... 127
Manvinder Sharma, Bikramjit Sharma, Anuj Kumar Gupta,
Digvijay Pandey, Joginder Singh, and Rahul Kakkar
Chapter 9 An Automated Hybrid Transfer Learning System for Detection

and Segmentation of Tumor in MRI Brain Images with UNet
and VGG-19 Network .....................................................................151
S. Sandhya, M. Senthil Kumar, and B. Chidhambararajan
Chapter 10 Deep Learning-Computer Aided Melanoma Detection Using

Transfer Learning ............................................................................163
Mohan Kumar S., T. Kumanan, T. R. Ganesh Babu, and
S. Poovizhi
Chapter 11 Development of an Agent-Based Interactive Tutoring System

for Online Teaching in School using Classter ...............................181
Tribhuwan Kumar, Digvijay Pandey, and R. Umamaheshwari
Chapter 12 Fusion of Datamining and Artificial Intelligence in Prediction

of Hazardous Road Accidents......................................................... 201
Bilal Khan, Asif Hasan, Digvijay Pandey,
Randy Joy M. Ventayen, Binay Kumar Pandey, and
Gadee Gowwrii
Index......................................................................................................................225
Preface
This book includes all associated topics to Machine learning, Big data, Internet of
things and applications in Internet of things. The main objective of this book is to
fetch numerous innovative studies in Machine learning, Big data and Internet of
Things. It supports the researchers, engineers and students in several interdisciplinary
domains to support realistic applications. The book presents an overview of the
different algorithms by focusing on the advantages, disadvantages and applications of
each algorithm in the field of Machine learning and IOT. The book provides machine
learning (ML) techniques to address both intelligence and configurability to various
IoT devices. The book also reports the challenges and the future directions in the IoT
and machine learning. This book comes with an energy-efficient cross layer model
and energy-related routing metric combination to prolong the lifetime of low power
IoT networks. This book deals with Machine Learning which is subset of AI that uses
computational statistics to find a mathematical model describing Input and Output
Data. Machine Learning techniques have been successfully involved in a various
applications including assistance in medical diagnosis and analyzing disease based on
clinical and laboratory symptoms with appropriate data to give more efficient result
for diagnosing disease.
Though these new skills are prodigious, they result in numerous challenges
including resource constraints of IoT devices, poor interoperability, heterogeneity of
IoT system and several privacy and security vulnerabilities. They also expose severe
IoT security challenges. Further, traditional security approaches against the most
prominent attacks are insufficient. Therefore, enabling the IoT devices to learn and
adapt to various threats dynamically and addressing them proactively need immediate
attention. In this regard, machine learning (ML) techniques are employed to address
both intelligence and reconfigurability to various IoT devices.
Outcome:
• Apply different AI techniques including machine learning and deep learning

• Perform supervised and unsupervised machine learning for IoT data
• Implement distributed processing of IoT data in AI platforms
• Implementing AI from case studies in Personal IoT and Industrial IoT
vii
Editors’ Biographies
Dr. Madhumathy P. is working as a professor at Dayananda
Sagar Academy of Technology and Management, Bengaluru,
Karnataka, India. She completed her engineering from Anna
University in 2006. M.E (gold medalist) from AVIT in 2009 and
Ph.D. from Anna University in 2015. With rich experience in
teaching for about 14 years, her area of interests include
Computer Networks, Wireless Communication, Wireless
sensor Networks, Internet of Things, Wireless Channel
Modeling, Mobile Communication and topics related to
Networks and Wireless Communication domains. Having published more than
75 papers in international, national journals and conferences, she is a life member in
ISTE and senior member from IEEE, and is serving as a reviewer for IEEE, IET,
Springer, Inderscience and Elsevier journals. She has registered and published three
Indian patent. Having received a grant for the title “A Complex Programmable Logic
Device Based Green House Monitoring System for Agriculture” from VGST, Govt. of
Karnataka, under SMYSR program, she has published a book titled “Computer
Communication Networks” with ISBN number 978-81-937245-1-4. She has acted as
publication chair for international IEEE conference held at DSATM, and has conducted
and coordinated many workshops and FDPs.
Dr. M. Vinoth Kumar, obtained his Bachelor’s degree in

Computer Science and Engineering from Periyar University,
Salem, Tamilnadu, India. He obtained his Master’s degree in
Computer Science and Engineering and his PhD in Computer
Science majoring in Agent Programming from Anna
University, Chennai, Tamilnadu, India. Currently, he is an
associate professor at the Faculty of Information Science and
Engineering, Dayananda Sagar Academy of Technology and
Management, Bangalore, Karnataka, India. His speciali-
zations include Artificial Intelligence, Machine learning and
Big Data Computing. His current research interests are convolutional neural
network and medical image processing. Having published 45 research papers in
reputed national, International journals and conferences, he has filed 6 innovative
patents and 1 patent is granted by the Indian patent office. Reviewer and editorial
member in Indexed national and International Journals, he is the life member of
Computer Society of India(CSI), Indian Science Congress Association(ISCA) and
associate member of Institute of Engineers(India), Indian Society of Technical
Education(ISTE).
ix
x Editors’ Biographies
Dr. R. Umamaheswari, currently working as assistant

professor in Department of Electronics & Instrumentation
Engineering at SRM Valliammai Engineering College,
Kattankulathur, Tamilnadu, India, has completed her Ph.D.
in the field of wireless communication in the year 2017 from
Anna University. She completed her Masters in VLSI Design
Engineering (2011) from Anna University with a gold medal,
and her Bachelors in Electronics and Instrumentation
Engineering (2004) from Madras University. She has more
than 10 years of teaching experience and specializes in the core area of soft
computing techniques. An innovative person with deep knowledge of Artificial
Intelligence, Neuro-fuzzy systems and IoT, she has published more than 25 research
articles in national and international journals and published three text books for
Basic electrical, electronics and instrumentation engineering for second semester
Anna University syllabus. She has filed three patents in India; organized guest
lecture, seminars, faculty development program under the banner of All India
Council of Technical Education (AICTE); delivered guest lecture in various
institutions and also shared various chair-positions in conferences and seminars.
She is Life Member of professional societies like ISTE, ISC, CSI, IAENG.
Contributors
Dr. T.R. Ganesh Babu Department of Psychology
Professor Aligarh Muslim University
Department of Electronics and Aligarh, India
Communication Engineering
Muthayammal Engineering College Bilal Khan
Rasipuram, Namakkal, Tamil Nadu Department of Computer Science
University of Bradford
Ishita Banerjee United Kingdom
Research Scholar
Dayananda Sagar Academy of Rahul Kakkar
Technology and Management Associate Professor
Department of Applied Science
Dr. B. Chidhambararajan Chandigarh Group of College
Professor/Principal Landran Mohali
SRM Valliammai Engineering College
Kattankulathur, Chennai, Tamil Nadu Dr. J. Kirubakaran
Associate Professor
K. Elaiyaraja Department of Electronics and
Assistant Professor Communication Engineering
Department of Information Technology Muthayammal Engineering College
SRM Valliammai Engineering College Rasipuram, Tamil Nadu
Kattankulathur, Chennai, Tamil Nadu
Dr. T. Kumanan
Dr. R. Elakkiya Principal
Assistant Professor Faculty of Engineering and Technology
Center for Information Super Highway Meenakshi Academy of Higher
(CISH) Education and Research,
School of Computing, SASTRA West K.K Nagar, Chennai, Tamil Nadu
Deemed to be University India
Gadee Gowwrii Dr. M. Senthil Kumar

M.Sc. (Statistics) Associate Professor
Osmania University Department of Computer Science and
Engineering
Anuj Kumar Gupta SRM Valliammai Engineering College
Professor Kattankulathur, Chennai
Department of CSE
Chandigarh Group of Colleges Dr. Mohan Kumar S.
Landran, Mohali, India Professor
Nagarjuna College of Engineering and
Asif Hasan Technology
Assistant Professor Bangalore, Karnataka, India
xi
xii Contributors
Dr. Tribhuwan Kumar Technology

Assistant Professor of English United Kingdom
College of Science and Humanities at
Sulail, Prince Sattam Bin Abdulaziz Digvijay Pandey
University Department of Technical Education
IET, Dr. A.P.J. Abdul Kalam Technical
Dr. Vinoth Kumar M. University
Associate Professor, Lucknow, Uttar Pradesh, India
Department of Information Science and
Engineering Dr. Balachandra Pattanaik
Dayananda Sagar Academy of Professor
Technology & Management Department of Electrical and Computer
Bangalore, India Engineering
College of Engineering and
Dr. P. Madhumathy Technology, Wollega University
Professor, Department of Electronics Ethiopia, Africa
and Communication Engineering
Dayanand Sagar Academy of S. Poovizhi
Technology and Management Research Scholar
Bangalore, India Department of Electronics and
Communication
M.G.M. Milani Engineering
Faculty of Integrated Technologies Anna University
Universiti Brunei Darussalam Chennai
Bandar Seri Begawan, Brunei
Darussalam Dr. M. Prakash
Associate Professor
Dr. G. Padmapriya Department of Computer Science and
Associate Professor Engineering
Department of Computer Science and SRM Institute of Science and
Engineering Technology
Saveetha School of Engineering, Kattankulathur, Chengalpattu District,
SIMATS Tamil Nadu
Chennai, India
Dr. R. Praveena
Moumita Pal Associate Professor
Assistant Professor Department of Electronics and
Department of Electronics and Communication Engineering
Communication Engineering Muthayammal Engineering College
JIS College of Engineering
Dr. R. Raja
Binay Kumar Pandey Assistant Professor
Assistant Professor Department of Electrical and
Department of IT Electronics Engineering
College of Technology, Govind Ballabh Muthayammal Engineering College
Pant University of Agriculture and
Contributors xiii
Murugaiya Ramashini V. Sudha

Department of Computer Science and Assistant Professor
Informatics, Faculty of Applied Department of Electronics and
Sciences Communication Engineering
Uva Wellassa University Sona College of Technology
Badulla, Sri Lanka
Dr. Thilakavathi B.
Ranjana Ray Professor
Assistant Professor Department of Electronics and
Department of Electronics and Communication Engineering
Communication Engineering Rajalakshmi Engineering College
JIS College of Engineering Chennai, Tamil Nadu, India
Kalyani
Dr. Umamaheshwari R.
S. Sandhya Assistant Professor
Research Scholar Department of Electronics and
Department of Information Technology Instrumentation Engineering
SRM Valliammai Engineering College SRM Valliammai Engineering College
Bikramjit Sharma Dr. Malik Mohamed Umar

Assistant Professor School of Engineering and Applied
Department of ME Sciences, Kampala International
Thapar Institute of Engineering and University
Technology Uganda
Patiala, India
Randy Joy M. Ventayen
Manvinder Sharma Dean
Assistant Professor CBPA, Pangasinan University
Department of ECE Philippines
Chandigarh Group of Colleges
India Dr. Vidhya K.
Professor
Joginder Singh Department of Electronics and
Assistant Professor Communication Engineering
College of Engineering and Saveetha School of Engineering,
Management, Punjabi University SIMATS
Patiala Chennai, Tamil Nadu, India
1 A Study on Feature
Extraction and
Classification
Techniques for
Melanoma Detection
S. Poovizhi1, Dr. T. R. Ganesh Babu2,
Dr. R. Praveena3, and Dr. J. Kirubakaran4
1
Research Scholar, Department of Electronics and
Communication Engineering, Anna University
2
Professor, Department of Electronics and Communication
Engineering, Muthayammal Engineering College
3
Associate Professor, Department of Electronics and
Communication Engineering, Muthayammal Engineering
College
4
Associate Professor, Department of Electronics and
Communication Engineering, Muthayammal Engineering
College
CONTENTS
1.1 Introduction....................................................................................................... 2
1.2 Feature Extraction ............................................................................................ 4
1.2.1 Fourier Transform (FT)........................................................................ 4
1.2.2 Short Time Fourier Transform (STFT) ...............................................4
1.2.3 Wavelet Transform............................................................................... 5
1.2.3.1 Discrete Wavelet Transform ................................................. 6
1.2.3.2 Discrete Curvelet Transform................................................. 7
1.2.3.3 Discrete Contourlet Transform.............................................. 7
1.2.3.4 Discrete Shearlet Transform.................................................. 9
1.2.3.5 Bendlet Transform...............................................................11
1.3 Classification................................................................................................... 11
1.3.1 Logistic Regression ............................................................................12
1.3.2 K-Nearest Neighbor ...........................................................................12
DOI: 10.1201/9781003194415-1 1
2 Machine Learning and IoT
1.3.3 Decision Trees....................................................................................13

1.3.4 Support Vector Machine ....................................................................13
1.4 Skin Cancer Diagnostic System for Melanoma Detection ...........................15
1.5 Conclusion ......................................................................................................18
References................................................................................................................20
1.1 INTRODUCTION
The incidence of malignant melanoma is in the majority cases fatal and increasing
worldwide. According to the 2020 Melanoma Skin Cancer Report of the Global
Cancer Observatory, there were 287,723 cases of melanoma and 1,042,056 of non-
melanoma cancers recorded globally with a greater number of cases in Australia
and the United States of America than anywhere else in the world [1]. Gender-wise,
men are 10% more likely to develop melanoma skin cancer than women and 4%
more likely to die from melanoma than women. (Figure 1.1) gives a snapshot of
growth of skin cancer from current to future projected levelsand (Table 1.1) gives
projected levels of new cases of skin cancer.
The two major types of skin cancers are Melanoma and Non-Melanoma.
Melanoma arises from malignant melanocytic cells of the epidermis and this cell
produce melanin pigment which decides the color of the skin. The malignant
melanocytic cells grow abnormally and invade other skin cells forming a big mass
of cells called the tumor. Early detection and treatment profoundly lead to prognosis
of the disease. With many skin imaging techniques developed in recent years for
assisting dermatologists to detect the melanoma, some of the techniques are (i)
Total Body Photograph [2] (ii) Ultrasonography [3] (iii) Epiluminescence
Microscopy [4] (iv) Cross Polarization Epiluminescence and (v) Optical Coherence
Tomography. Dermatologists use noninvasive methods [5] like dermoscopic and
macroscopic methods to identify melanoma in dermoscopic images. Dermoscopy
provides better diagnosis as compared to that with the naked eye [6,7].
Based on the deep residual network, the Sultana et al. [8]-developed skin cancer
classification system by using the regularized fisher platform and the convolutional
neural network to extract the low discriminative function to classify the melanoma.
Sonia et al. [9] proposed the non-subsampled contourlet transform to extract fea
tures using local binary pattern and gray level co-occurrence matrix, but due to high
dimensionality, it cannot extract texture features effectively. Many approaches have
been developed to identify melanoma from normal images. Zaquot et al. [10] used
ABCD techniques to identify melanoma performing median filtering in pre
processing and feature extraction by entropy and bifold methods. Ma et al. [11]
developed skin cancer classification system by extracting ABCDE features that
contain both shape and color features. Machine learning algorithms like decision
tree, K-nearest neighbors, and artificial neural networks were used by [12] to
compare the performance of each algorithm for melanoma classification. Also,
melanoma is identified by its seven characteristics using the so-called seven-point
checklist [13] and its three characteristics using the so-called the three-point
checklist [14].
Classifications for Melanoma Detection 3
FIGURE 1.1 Incidence and Mortality Rate of Melanoma Cancer.
TABLE 1.1
Global Cancer Observatory Report 2020
Estimated New Cases in 2025 340,271
Estimated New Cases in 2040 466,914
Nasir et al. [15], who extracted three features namely color, texture and
histogram-oriented gradients features for melanoma detection, selected the superior
features as input to SVM classifier for the classification of melanoma images. Rahul
et al. [16], who discussed a skin cancer classification system in which the pre
processing step is carried out by median filtering and enhancement using histogram
equalization methods, used the residual convolutional neural network as classifier to
classify the images; but with the drawback that the noise gets enhanced due to
enhancement in the preprocessing stage. Wavelet based skin cancer classification
system developed by [17] decomposes the image to give approximate and detailed
coefficients which are ploughed back into the probabilistic neural network for
further classification. Another Wavelet based resnet model was used by [18] but it
requires large amounts of training data to perform better classification than
expectation.
Donoho et al. [19] developed continuous curvelet transform for detecting curves
in the medical image but the construction of the waveform was not built-in to work
with a discrete domain directly. While deep neural network-based classification was
presented by [20] for the classification of melanoma and non-melanoma images, the
drawback of this method is that only biopsy proven images were considered in
classification module. Deep learning methods were presented by Goyal et al. [21]
for lesion segmentation in skin cancers, where the lesion are segmented exactly
from the dermoscopic images and various metrics such as specificity, sensitivity and
accuracy calculated to measure the performance of the method.
1.2 FEATURE EXTRACTION

In feature extraction, the features that carry the most important information about
the image are extracted by various decomposition methods such as wavelet, cur
velet, contourlet, shearlet and bendlet.
1.2.1 FOURIER TRANSFORM (FT)

The fourier transform, which is used to analyze the frequency content of the stationary
signals, decomposes the signal f(t) into the sum of its sine and cosine components.
The continuous fourier transform is given by
F{f(t)} = f (t ) e j t dt (1.1)
The inverse fourier transform is given by
F 1{f(t)} = f (t ) e j t dt (1.2)
The discrete fourier transform of the two-dimensional signal is given by
j2 ki + jl
M 1 N 1
F(k, l) = i =0 j =0 f (i , j ) e M N (1.3)
The inverse fourier transform of two-dimensional signal is given by
1 j2 ki + jl
M 1 N 1
f(i, j) = i =0 j =0
F (K , l ) e M N (1.4)
MN
Where M, N represent variable size and i, j represent continuous variable.
Drawbacks
The Fourier Transform does not provide time information when the signal occurs
but gives the frequency information that exists in the signal.
It is not suitable for non-stationary signals.
1.2.2 SHORT TIME FOURIER TRANSFORM (STFT)

In STFT, the non-stationary signals are analyzed by windowing the signal, i.e the
signal is divided into segments and each segment is stationary.
STFT is represented by
STFT(t , f) = x (t ) w (t t )e j t dt (1.5)
where, f(t) is the signal,

w(t) is the window function.
STFT gives poor time resolution and good frequency resolution for wide
window, and poor frequency resolution and good time resolution for narrow
window.
Drawbacks
• Once window size is fixed, it cannot be changed.
• STFT cannot extract texture features from images.
1.2.3 WAVELET TRANSFORM

Mallat [22] proposed a mathematical tool called wavelet transform for image
processing applications where wavelets give both time and frequency information
of the signal. A wavelet provides multiresolution analysis i.e represents the image
on more than one scale. The advantage of multiresolution analysis is that the fea
tures undetected at one scale can be detected by the other scale. Wavelets can
represent discontinuity of the image with fewer coefficients.
A wavelet is a small wave with limited duration that has zero average value and
is given by
1 t b
a,b (t) = a, b R (1.6)
a a
Here,
a. Scale (Dilation)
b. Translation (Position)
Generally, wavelets are characterized at scale and location. Wavelets are broadly
classified as
• Continuous wavelet transform.

• Discrete wavelet transform.
The 1-D Continuous wavelet transform is given by
1 t b
CWT(a, b) = <f, a, b > = dt (1.7)
a a
1.2.3.1 Discrete Wavelet Transform

The Discrete wavelet transform is obtained by sampling of the continuous wavelet
transform. It decomposes the image into sub-bands by processing rows and columns
separately and by down sampling the image by a factor of 2 using FIR filters. As a
result, four bands namely LL, LH, HL and HH are obtained. LL (approximate
image) contains low horizontal and low vertical frequency information that has
been obtained from low pass image. The other three bands LH, HL and HH give
detailed information of horizontal, vertical and diagonal directions obtained from
the high pass image. (Figure 1.2) depicts discrete wavelet transform that decom
poses the image into 2 sub-bands for rows and down-samples each of these sub-
bands by a factor of 2 to give four sub-bands when processing columns.
Discrete wavelet transform of 2D image of size M×N is expressed as
Approximate Coefficients
1 m 1 n 1
W (j0 , m, n) x =0 y =0
f (x , y ) j0 , m, n (x, y ) (1.8)
mn
Detailed Coefficients
1 m 1 n 1
W i (j0 , m, n) = x =0 y =0
f (x , y ) j0i , m, n (x, y ) (1.9)
mn
Where, i= {H, V, D}
Drawbacks
• Wavelet transform can capture frequency content only in limited directions,
so it has poor directionality.
• Inefficient for capturing anisotropic features like lines and curves.
FIGURE 1.2 Wavelet Decomposition Filter Bank.

• Many coefficients are needed to capture point singularities.
1.2.3.2 Discrete Curvelet Transform

Curvelet transform [23] is a multiscale geometric transform that can represent edges
and curve singularities effectively compared to wavelets. Curvelets can represent
images in various levels and directions. Generally, curvelets exist at all scales,
locations, and orientations of curves in the image. Curvelets very well capture
anisotropic features and obey parabolic scaling law. The parabolic scaling law states
Width = Length2
The curvelet transform is given by
C(j, , k1, k2) = 0 x<M f (x, y ), j , , k1 k2 (x, y ) (1.10)

0 y<N
Where,θ = Orientation
k1, k2 = Spatial Location of curvelets
f(x,y) = Input image having dimension M×N
Image decomposition in curvelet transform consists of following steps. In the
first step, the image is decomposed into sub bands by applying wavelet transform.
Then each sub band is smoothly windowed as squares by parabolic scaling and each
square is applied with discrete ridgelet transform. The wedges of parabolic shape in
the fourier plane are obtained by a radial window function and an angular window
function. The radial window is responsible for image decomposition into scales, and
the angular window is responsible for orientation and direction. Finally, curvelet
coefficients are obtained by applying IFFT to all the wedges. (Figure 1.3) depicts
curvelet transform as a combination of parabolic scaling of a sub-band into a
smooth square window, and discrete ridgelet transform applied on each square
thereafter.
Drawbacks
• Construction is easy in continuous domain and difficult to implement in
discrete domain.
• Difficult to sample on the rectangular grid.
• Curvelet involves rotations and these operators will not preserve digital
lattice.
1.2.3.3 Discrete Contourlet Transform

Do M N et al. [24] proposed a multiscale and multi-direction transform which is
useful in capturing contours in medical images. The above depiction allows ap
proximate images to be gained from coarse to fine resolutions. Discrete curvelet
transform is constructed by combining Laplacian Pyramid (LP) and Directional
Filter Bank (DFB) (Figure 1.4).
FIGURE 1.3 Frequency Tiling.
FIGURE 1.4 Contourlet Decomposition.
Laplacian Pyramid captures point discontinuities, and directional filter bank

connects these point discontinuities and transforms them into linear structure. Given
the original image is decomposed by laplacian pyramids into various bands of
frequencies, and where the use of pyramid structure enhances the edge features in
the image, the low pass band is further sub-sampled to get frequency bands. The
directional filter bank is used to generate necessary directions required from each
scale. Contourlets capture contours along geometric smoothness in all possible
directions, so that contourlet transform performs better in capturing the intrinsic
geometric features such as edges, curves and contours [25].
Drawbacks
• Contourlet transform suffers from Pseudo Gibbs effect.
• It cannot detect the non-smooth corner points.
• It is not a shift invariant.
1.2.3.4 Discrete Shearlet Transform

Shearlets which is based on multilevel and multi-direction transform are developed
efficiently to analyze the anisotropic features. The important property of shearlet is
that it allows optimally sparse approximation for cartoon-like functions. Shearlets
are constructed by parabolic scaling, shearing, and translation. (Figure 1.5) depicts
discrete shearlet transform where a shearlet is constructed at first decomposition of
the image and then localized with direction information to get an optimally sparse
approximation for the function.
Shearlet Transform can be written as
ST ( ) = Tt DAa DSs (1.11)
Where,
Tt is the translation operator,
DAa is the dilation, and
DSs is the shearing operator.
The dilation is given by scaling matrix and the shearing matrix
FIGURE 1.5 Shearlet Decomposition.

a 0
Aa = 1 wherea > 0 (1.12)
0 a2
Ss = 1 s where s is an integer (1.13)

0 1
Shearlet transform uses anisotropic dilation and orientation to precisely capture the
geometric edges. The continuous shearlet transform is represented as
3
a, s, t (x ) =a 4 (A 1B 1 (x t )) (1.14)
SH f (a, s , b ) = < f , a, s, t > ,a > 0, s (1.15)
Figure 1.6 shows the frequency tiling containing horizontal part of the cone and
vertical part of the cone. The directional components are obtained by the translating
the shear matrix.
Drawbacks
• Shearlets cannot classify the curvature precisely.
• Shearlets are redundant in nature.
FIGURE 1.6 Frequency Tiling.

1.2.3.5 Bendlet Transform

Bendlet is a second-order shearlet transform. Bendlets can capture anisotropic
features by scaling, translation, shearing, and bending parameters. The second-order
shearlets classify the image more precisely compared to what the first-order
shearlets do. Bendlet transform supports alpha scaling instead of parabolic scaling.
The alpha scaling matrix is given by (Figure 1.7).
Aa, = a 0 where a > 0 and [0, 1] (1.16)

0 a
When
α = 1 ➜ Isotropic Scaling
α = 0.5 ➜ Parabolic Scaling
α = 0 ➜ Pure Directional Scaling
1.3 CLASSIFICATION
Classification is an especially important phase in medical image analysis which
predicts or classifies the unlabeled data to a set of known labeled data. Classification
generally contains two phases: namely, the training and the testing phase. In the
training phase, training datasets are used to build up a model whereas in the testing
phase, validation of model takes place to qualify performance. Some important
classifiers such as logistic regression, decision trees, K-nearest neighbors, and
FIGURE 1.7 Curve Detection by (a) Wavelet – Many Coefficients Are Needed to Capture
the Curve (b) Curvelet/Shearlet – Few Coefficients Are Needed to Capture the Curve (c)
Bendlet – Very Few Coefficients Are Needed to Capture the Curve.
support vector machines are discussed which would be useful to classify melanoma
from dermoscopic images into normal and abnormal images.
1.3.1 LOGISTIC REGRESSION

Logistic regression is a popular algorithm used for modeling classification pro
blems. It builds the model by expressing the hyperplane that separates two da
tasets. It estimates the relationship between the dependent and the independent
variable. The resultant outcome from logistic regression will be always catego
rical whereas in case of linear regression the relation is always described by
continuous dependent variables. The two types of logistic regression are (i) Binary
Classification and (ii) Multi class classification. Logistic regression uses sigmoid
curve which maps the relation between the dependent and the independent vari
able, and calculates the probability that the feature vector represents an object
belonging to the class.
Advantages
• Easy to implement and quite easy to train.
• Provides good accuracy when dataset is linearly separable.
• Works fast in classifying unknown records.
Disadvantages
• It cannot solve non-linear problems.
• Predicts only discrete functions.
1.3.2 K-NEAREST NEIGHBOR

K-NN is a type of supervised machine learning algorithm that works by classifying
the new data based on a similarity measure. K-NN works for both regression and
classification problems. K-NN is a non-parametric method and called lazy learning
algorithm. In K-NN, a new instance is classified by majority votes for its neighbor
class. The K-NN algorithm is measured by distant functions like Euclidean,
Manhattan, Minkowski etc. The value of K is always chosen to be odd for making
decisions. If the value of K is too small, then it will be sensitive to noise points, and
a larger K includes majority votes from other classes.
Advantages
• Simple and intuitive.
• No training period as it is a lazy learner.
Disadvantages
• Does not work with high dimensionality.
• Large samples are needed for accuracy.
1.3.3 DECISION TREES

Decision trees are supervised models where we split the data by making decisions
using a series of conditions to form a tree-like structure. Decision tree classifier
works for both classification and prediction. A decision tree consists of three nodes
namely root node, branch node and leaf node. A root node is the initial step in the
decision tree that can split into maximum branches. Root node features are extracted
by attribute selection measures. An attribute selection measure is repeated till a leaf
node is present. The impurity measures of decision tree are given by
n i i
Entropy = i=1 p log2 p (1.17)
t t
2
n i
Gini = 1 i =1
p (1.18)
t
Advantages
• Nonlinear relationship parameters will not affect performance.
• Easy to interpret.
• Need of domain knowledge is not necessary.
Disadvantages
• Always restricted to one output attribute.
• Unstable classifier depends on the dataset.
• It generates a complex tree when the dataset is numeric.
1.3.4 SUPPORT VECTOR MACHINE

SVM are supervised machine learning algorithms that work for both regression and
classification. SVM works on the principle of decision planes that have decision
boundaries. SVM are constructed with a hyperplane that has maximum margin.
(Figure 1.8) depicts an SVM hyperplane that classifies data based on maximum
margin.
FIGURE 1.8 SVM Hyper Plane.

It consists of the separating plane that separates data into two class or multiclass.
It also contains two margin lines that run parallel with hyperplane and maintains
some distance to classify the data effectively. The margin lines are separated by
maximum distance and each margin line passes through one of the vectors in po
sitive and negative class. These vectors are called support vectors. Linear separable
SVM can separate the data points easily by constructing a hyperplane. The data
points cannot be easily separated in case of nonlinear separable SVM. (Figure 1.9)
depicts SVM hyperplane for (A) linear data to be separated and (B) non-linear data.
In Non-linear case, it converts low dimension data points to high dimension
datapoints using kernel function. The three types of kernel function are given
below. (Figure 1.10) depicts a non-linear SVM classification using Radial Basis
Function for its kernel function.
Polynomial K(a, b) = (1 + j aj bj )d (1.19)
Radial Basis Functions K(a, b) = exp( (a b)2 /2 2 (1.20)
Signoid like K (a, b) = tanh(caTb + h) (1.21)
Advantages
• Provides better accuracy.
FIGURE 1.9 (a) Linear Separable Data (b) Non linear Separable Datad SP Learned
Dictionaries with CS.
FIGURE 1.10 Mapping of Non-Linear Data-RBF Kernel.

• SVM works well when there is no specific trend in the datapoints.

• No overfitting problems.
• Easy to interpret nonlinear data points.
Disadvantages
• Selection of right kernels.
• Training the data takes more time.
• Computationally expensive.
1.4 SKIN CANCER DIAGNOSTIC SYSTEM FOR MELANOMA

DETECTION
The aim of the proposed skin cancer classification system is to detect melanoma
from dermoscopic images. Here PH2 dataset is considered for experimentation that
contains 200 dermoscopic images having a resolution of 768×560 pixels. Out of
200 dermoscopic images, 120 are abnormal images and 80 are normal images.
(Figure 1.11a and 1.11b) depict the classification of images into normal and
abnormal.
Many research works have been proposed in recent years for the classification of
normal and abnormal images. In this work, various feature extraction and classi
fication techniques are presented, and the performance of the techniques are vali
dated to measure the accuracy of the model.
In work I, the investigation utilizes the use of shearlet transform as feature
extraction and K-Nearest Neighbors as classifier for the detection of melanoma.
After finishing the preprocessing module, the features are extracted using shearlet
decomposition for different scales and directions. The coefficients, which are 75
and 100 coefficients to start with, are selected from shearlet sub-bands. The selected
coefficients are given as input to K-NN classifier to classify the image as normal or
FIGURE 1.11A PH2 Datasets. Normal Images.
FIGURE 1.11B PH2 Datasets. Melanoma Images.

abnormal. (Figure 1.12) depicts the block diagram of the algorithm for classifying
images in the SCC system.
The performance of the system is measured by sensitivity, specificity, and ac
curacy. Table 1.2 below gives the accuracy obtained from the set of 75 and 100
coefficients of shearlet transform and K-NN classifier.
It is observed from Table 1.2 that the second level of shearlet features made from
100-point coefficients yield better performance compared to other levels of shearlet
decomposition. The maximum accuracy of 96% is obtained in the second level of
decomposition using shearlet transform and K-NN classifier. (Figure 1.13) depicts
the K-NN classifier performance for 75 coefficients vis-a-vis 100 coefficients for
four levels of decomposition.
FIGURE 1.12 Block Diagram of Shearlet and KNN SCC System.
TABLE 1.2
Performance of K-NN Classifier
Shearlet Transform Decomposition Level K-NN Classification Accuracy (%)
75 Coefficients 100 Coefficients
First level 82.5 88.5

Second level 88 96
Third level 81.5 91
Fourth level 85.5 92.5
FIGURE 1.13 KNN Classifier Performance.
From the comparison of results, it is evident that the 100-coefficient extracted

from the second level of decomposition produces better performance accuracy
compared to the 75-coefficient from any decomposition level.
In work II, Poovizhi et al. [23] carry out bendlet transform for feature extraction
and support vector machines as classifier to demonstrate how to classify normal and
abnormal images from PH2 dataset. The proposed work is compared with the other
image decomposition methods discussed in section 1.3. Initially the preprocessing
is done by median filtering method to remove unwanted noise and hair from the
dermoscopic images. The statistical features such as texture descriptors are ex
tracted by bendlet decomposition. The energies are calculated from the coefficients
of sub-bands obtained from bendlet transform. Then, the features are ploughed into
support vector machines to classify normal and abnormal images. (Figure 1.14)
depicts the block diagram of bendlet and SVM based SCC system.
The validation is carried out by k-fold cross validation, and the performance
metrics such as sensitivity, specificity and accuracy are measured.
Where, Tr Po→True Positive (#correct classification of abnormal cases),
Fa Ne→False Negative (#misclassification of abnormal cases),
Tr Ne →True Negative (#correct classification of normal cases) and
Fa Po→False Positive (#misclassification of normal cases)
Table 1.3 reviews the performance of classification system for classification of
normal and abnormal images. The decomposition level (from 1 to 4) and directions
(2,4,8,16,32) are computed.
It is observed from Table 1.4 that bendlet transform with level 3 and direction 8
performs better with 98.50% accuracy, sensitivity of 97.50%, and specificity of
100%. (Figure 1.15) depicts the performance of various image representation
techniques.
From the performance comparison of wavelet, curvelet, contourlet, shearlet and
bendlet, it is bendlet transform whose sensitivity, specificity and accuracy are better
compared to other representation systems.
FIGURE 1.14 Block Diagram of Bendlet and SVM Based SCC System.
TABLE 1.3
Performance Metrics of SCC System
Performance Description Formula
Measure
Sensitivity (Sn ) It is the ratio of number of true positives predicted Sn =

Tr Po
Tr Po + Fa Ne
correctly to the total number of actual positive
cases.
Specificity (Sp ) It is the ratio of the number of true negatives Sp =
Tr Ne
Tr Ne + Fa Po
predicted correctly to the total number of
negative cases.
Accuracy ( Ac ) It is defined as the number of skin cancer images Ac =
Tr Po + Tr Ne
Tr Po + Fa Ne + Tr Ne + Fa Po
correctly predicted to the total number of images
of actual cases.
1.5 CONCLUSION
This study provides a brief description on various image representation systems
and classification techniques used to classify dermoscopic images into normal and
abnormal images. In work I, shearlet transform and K-NN classifier gives maximum
accuracy of 96% in the second level of shearlet decomposition with 100 coeffi
cients. In work II, bendlet transform for feature extraction and SVM for classifi
cation give maximum accuracy of 98.3% in level 3 decomposition and direction 8.
Finally, all the image representation systems like wavelet, curvelet, contourlet,
shearlet and bendlet are compared and performance metrics like specificity,
TABLE 1.4
Classifier Performance of Normal and Abnormal Phase
Level of Number of Performance Measures
Decomposition Directions Tr Po Fa Ne Tr Ne Fa Po Sn (%) Sp (%) Ac (%)
1 2 90 30 65 15 75.00 81.25 77.50

4 94 26 67 13 78.33 83.75 80.50
8 99 21 68 12 82.50 85.00 83.50
16 94 26 68 12 78.33 85.00 81.00
32 86 34 67 13 71.67 83.75 76.50
2 2 97 23 70 10 80.83 87.50 83.50
4 102 18 72 8 85.00 90.00 87.00
8 108 12 75 5 90.00 93.75 91.50
16 100 20 71 9 83.33 88.75 85.50
32 93 27 71 9 77.50 88.75 82.00
3 2 104 16 77 3 86.67 96.25 90.50
4 110 10 79 1 91.67 98.75 94.50
8 117 3 80 0 97.50 100.00 98.50
16 109 11 77 3 90.83 96.25 93.00
32 102 18 75 5 85.00 93.75 88.50
4 2 97 23 79 1 80.83 98.75 88.00
4 108 12 79 1 90.00 98.75 93.50
8 110 10 79 1 91.67 98.75 94.50
16 104 16 79 1 86.67 98.75 91.50
32 96 24 78 2 80.00 97.50 87.00
FIGURE 1.15 Performance Comparison of Various Image Representation Techniques.

sensitivity and accuracy are measured. From the results, we come to the conclusion
that bendlet provides better accuracy compared to all other image representation
systems. Wavelet is the worst performer whereas contourlet is the better performer
than either curvelet or wavelet.
REFERENCES
[1]. del Marmol V, lipira K, ‘2020 Skin cancer report- global cancer observatory’, 2020.
[2]. Dengel LT, Petroni GR, Judge J, Chen D, Acton ST, Schroen AT, Slingluff CL,
‘Total body photography for skin cancer screening’, International Journal of
Dermatology, 54(11): ISSN:1365-4632, 1250–1254, 2015, Wiley.
[3]. Srivastava A, Hughes B, Hughes L, Woodcock J, ‘Doppler ultrasound as an adjunct
to the differential diagnosis of pigmented skin lesions’, British Journal of Surgery,
73: 790–792, ISSN: 1365-2168, 1986, John Wiley & Sons.
[4]. Pehamberger H, Binder M, Steiner A, Wolff K, ‘In vivo epiluminescence micro
scopy: improvement of early diagnosis of melanoma’, Journal of Investigative
Dermatology, 100(3), ISSN: 0022-202X1993, Elsevier.
[5]. Banerjee I ‘Brain tumor image segmentation and classification using SVM, CLAHE
AND ARKFCM’, Intelligent decision support systems, applications in signal pro
cessing, 978-3-11-062110-5, 53–70, October, 2019
[6]. Banerjee I ‘IOT based fluid and heartbeat monitoring for advanced health care’,
Classification techniques for medical image analysis and computer aided diagnosis
volume 4 , ISBN: 978-0-12-818004-4, 2019 .
[7]. Madhumathy P, Prasanth R, Srilekha ‘Eye movement detection for paralyzed patient
using pressure sensor’, International Journal of Scientific & Engineering Research,
7(11): 395–397, November, 2016 ISSN 2229-5518.
[8]. Sultana NN, Manda, B, Puhan NB, ‘Deep residual network with regularised fisher
framework for detection of melanoma’, IET Computer Vision, 12(8): 1096–1104,
ISSN 1751-8644, 2018, IET Digital Library.
[9]. Sonia R et al., ‘Melanoma image classification system by NSCT features and Bayes
classification’, International Journal of Advances in Signal and Image Sciences,
2(2): 27–33, -ISSN: 2457-0370, 2016.
[10]. Zaqout I, ‘Diagnosis of skin lesions based on dermoscopic images using image
processing techniques’, International Journal of Signal Processing, Image
Processing and Pattern Recognition, 9(9): 189–204, ISSN: 20054254, 2207970X,
2016, Science and Engineering Support Society.
[11]. Ma Z, Tavares JM, ‘Effective features to classify skin lesions in dermoscopic
images’, Expert Systems with Applications, 84: 92–101, ISSN: 0957-4174, 2017,
Elsevier.
[12]. Ozkan IA, Koklu M, ‘Skin lesion classification using machine learning algorithms’,
International Journal of Intelligent Systems and Applications in Engineering, 5(4),
ISSN:2147-6799 285-289, 2017, Academic Publisher Science.
[13]. Argenziano G, Catricalà C, Ardigo, et al. ‘Seven-point checklist of dermoscopy
revisited’, British Journal of Dermatology, 164(4): 785–790, ISSN: 1365-2133,
2011, Wiley.
[14]. Zalaudek I, Argenziano G, Soyer, H, et al. ‘Three-point checklist of dermoscopy: an
open internet study’, British Journal of Dermatology, 154(3): 431–437, ISSN: 1365-
2133, 2006, Wiley.
[15]. Nasir M, Attique Khan M, Sharif M, Lali IU, Saba T, Iqbal T, ‘An improved
strategy for skin lesion detection and classification using uniform segmentation and
feature selection based approach’, Microscopy Research and Technique,

81(6):528–543, ISSN:1097-0029, 2018, Wiley.
[16]. Sarkar R, Chatterjee CC, Hazra A, ‘Diagnosis of melanoma from dermoscopic
images using a deep depthwise separable residual convolutional network’, IET
Image Processing, 13(8): 2130–2142. ISSN: 350-245X, 2019, IET Digital Library.
[17]. Jain YK, Jain M, ‘Skin cancer detection and classification using Wavelet Transform
and Probabilistic Neural Network’, Fourth International Conference on Advances in
Recent Technologies in Communication and Computing, 250-252, ISSN: 0975-
8887, 2012.
[18]. SertanSerte HD, ‘Wavelet-based deep learning for skin lesion classification’ IET
Image Processing, 14(4): 720–726, ISSN: 1350-245X, 2020. IET Digital Library.
[19]. Donoho D, Candes E, ‘Continuous curvelet transform: II. Discretization and
frames’, Applied and Computational Harmonic Analysis, 19(2): 198–222, ISSN:
1063-5203 2005, Elsevier.
[20]. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S.
‘Dermatologist-level classification of skin cancer with deep neural networks’,
Nature, 542(7639): 115–118, ISSN:1476-4687, 2007.
[21]. Goyal M, Oakley A, Bansal P, Dancey D, Yap MH, ‘Skin lesion segmentation in
dermoscopic images with ensemble deep learning methods’, IEEE Access, 8:
4171–4181, ISSN: 2169-3536, 2019.
[22]. Mallat, S, ‘A wavelet tour of signal processing: the sparse way’, Academic Press,
United States, ISSN: 0362-4331, 2008.
[23]. Donoho D, Candes E, ‘Continuous curvelet transform: II. Discretization and
frames’, Applied and Computational Harmonic Analysis, 19(2): 198–222, ISSN:
1096603X, 2005, Academic Press.
[24]. Do MN, Vetterli M, ‘The contourlet transform: an efficient directional multi
resolution image representation’, IEEE Transactions on Image Processing, 14(12):
2091–2106, ISSN: 1057-7149, 2005, IEEE.
[25]. Poovizhi S, Ganesh Babu TR, ‘An efficient skin cancer diagnostic system using
bendlet transform and support vector machine’, Anais da Academia Brasileira de
ciencias (Annals of the Brazilian Academy of Sciences), 92(1): 1–12, 2020.
2 Machine Learning Based
Microstrip Antenna
Design in Wireless
Communications
Ranjana Ray1, Moumita Pal2, R Umamaheswari3,
and Ishita Banerjee4
1
Assistant Professor, Department of Electronics and
Communication Engineering, JIS College of Engineering
2
Communication Engineering, JIS College of Engineering
3
Instrumentation Engineering, SRM Valliammai Engineering
College
4
Research Scholar, Dayananda Sagar Academy of
Technology and Management
CONTENTS
2.1 Introduction..................................................................................................... 23
2.2 Machine Learning in MSA Design ...............................................................25
2.3 Application of MSA in IOT ..........................................................................26
2.4 Design & Analysis of MSA Using ANN......................................................27
2.4.1 Artificial Neural Network ..................................................................27
2.5 Results and Discussion...................................................................................29
2.6 Design of Microstrip Antenna and Characterization Using SVM Method..30
2.7 Design of MSA for IoT Applications ...........................................................31
2.8 Conclusion ......................................................................................................32
References................................................................................................................32
2.1 INTRODUCTION
The essential advantage in using microstrip antennas lies in the fact that they possess high
power gain and omni-directional radiation patterns that are particularly useful in appli
cations such as mobile communications, given mobile services need wideband frequency
operations and will find these antennas suitable for attaining higher accuracy in their
services offering. It is a critical design issue to implement printed antennas for achieving
multiple application level services provided by mobile communication applications.
DOI: 10.1201/9781003194415-2 23
Accuracy is also a major factor to be considered in such design cases. There are multiple
parameters that decide the performance of the antenna such as patch dimensions of mi
crostrip antenna. Fabrication technique used in microstrip antenna design is easy and low
cost [1,2]. For example, photo etching mechanism is another approach of fabrication of
microstrip antennas which is commonly termed as patch, where various patterns and
shapes for patches like square, hexagonal, rectangular, trapezoidal etc. are commonly in
use. In this chapter, we have proposed an artificial neural network (ANN) modeling
method for synthesis and analysis of microstrip antennas. Thus, an antenna is a radiating
device that radiates electromagnetic energy in desired directions, where omni-directional;
semi-directional and directional antennas are used. Antennas are used to redirect the radio
frequencies provided by the transmitter to the receiver in free space [3]. Antenna is re
quired to cover various frequency bandwidths or wide frequency band. It is expected that
the antenna size should be small and its performance can be affected by changing the
geometries of mounting devices [4]. Nowadays, demand for low cost antenna can be
fulfilled by reduced size and compressed architecture for antennas. A microstrip antenna
has several benefits when compared to supplementary antennas such as low weight, low
cost, low profile, low scattering cross section, option of undeviating and rounded polar
ization with particular feed and can be simply incorporated for microwave circuits [5].
There are numerous procedures for investigation of microstrip antenna with some of the
popular procedures being transmission line, full wave and cavity. The earliest model of
microstrip antenna, among all, is the transmission line model because of its good physical
insight, where the design procedure for this antenna assumed this information with di
electric constant of the substrate (ε), resonant frequency (f) and substrate height (h) [6]. A
microstrip antenna is well-defined according to an array of dual radiating contracted
apertures, with height h, width w and implanted L distance apart. The antenna design
procedure is as follows: To find the width of the patch in practical cases for better radiation
efficiencies, we follow Equation (2.1).
1 2
w= (2.1)
2f o 0 +1
Here εoμo = c = 3 × 108 m/s and f is resonant frequency.

Effective dielectric constant of antenna for w/h > 1 is given in Equation (2.2).
+1 1 1
reff = + (2.2)
2 2 1 + 12 w
h
Patch width and length are calculated by Equations (2.3) and (2.4).
v0 2
w = (2.3)
2fr r + 1
Machine Learning Based Antenna Design 25
v0
l = = 2 L (2.4)
2fr reff
Where vo = Velocity of the light in free space,
L
= 0.412
( reff + 0.3) h + 0.264 ( w
) (2.5)
h w
( reff 0.258) h + 0.8 ( )
Here L is the length expansion in presence fringing effects. Equation (2.6) finds
the effective dielectric constant.
1/2
r +1 r 1 h
reff = + 1 + 12 (2.6)
2 2 w
Antennas have been designed for a given application according to the required
performances. Nowadays, the task is to catch the available symmetrical factors of
the patch (like dimensions of patch, dimensions of ground and feed position) that
consume a portion of time due to trial and error practice. To decrease this con
sumption of time, vast amount of techniques are used (such as optimum algorithms,
ANN techniques etc).
2.2 MACHINE LEARNING IN MSA DESIGN

It is necessary to develop a method to predict the resonance frequency of an antenna
and artificial intelligence (AI) may be the advanced approach that is needed. AI
application is found in several fields starting from communication to industrial
automation with its promised reduction in costs for the users a reality. We have a
detailed study of communication networks and services based on AI in [7]. Given,
nowadays, these techniques in antenna design and optimization have achieved faster
convergence, ML is a predictive learning based approach which is also a subset of
AI which predicts outputs from its past experiences. An artificial neural network
(ANN) in machine learning is an immensely comparable extended processor that
has the same tendency for storing practical information and creating it accessible for
usage. It looks like the human mind in two respects: first, information is attained by
a net over a learning procedure, and two, neuron linking assets are identified as
synaptic loads that can be used to store the observed knowledge. It has been ob
served that in dynamic era, artificial neural network has exceptional contributions
and important advancements in the field of wireless communication. One can also
request continuous target attribute regression. The results agree well with the si
mulation findings. Efficient design and communication call for good optimization of
design parameters and researchers used ANN for optimization of return loss, an
tenna bandwidth, patch size, antenna gain, etc. to achieve better system models [1].
Researchers target into improving design techniques with machine learning (ML)
techniques and ML is used to perform study and computation on larger empirical

datasets for optimization of the ground plane slit dimensions. Also, a web repository
is used to collect datasets obtained from in XML format for UWB antennas. A color
display technique is also proposed, wherein firstly, a graphical tracking mechanism
is followed for optimization. For USB wireless devices, the antennas used are
microband ones which are good for data extraction to construct trained data by
estimating fitness function using machine learning. ML can be also efficiently used
for radar target classification. Antenna geometric parameter optimization as well as
target classification can be performed using ML and deep learning approaches. An
overview on machine learning by many researchers is given, with a major focus on
investigating its usage in antenna design applications.
2.3 APPLICATION OF MSA IN IOT

Many IoT based real time applications can be modeled and implemented using ML.
For example, we can discuss about weather monitoring outside the aircrafts for
detecting the turbulence, pressure variations, weather outside and, accordingly, call
for action. In such applications, GPS antenna is mounted on the aircraft that can
range from 1.2 GHz to 1.6 GHz. Microstrip antennas can be implemented here due
to its cost effectiveness, low profile and light weight. Researchers also had work
based on application of Microstrip Patch Antenna in 5G communications.
Currently, industries are more devoting their time on Internet of things and its
application. IoT devices are most of the time needed to communicate wirelessly
though it can easily access the internet. Antennas are the most indispensable part of
the communication device like Smartphone, smart cities, smart watch, smart ring,
smart television, smart helmet etc. where multiband antennas are useful in smart
devices. Communication systems must be efficient to transfer all types of data such
as voice, text and multimedia information. Currently, researchers devoting a lot of
research to get improved performance from antenna have made the following
progress. In [8] a new antenna design is implemented for WLAN applications with
multilayer of substrate with dielectric constant. The proposed antenna shows gain
2.8 dB and return loss −20 with bandwidth of 920 MHz. Several types of antennas
are in use for multiple frequency band operations such as Wi-Fi, ISM band etc.
[9,10]. In [11] it is stated that for applications which require high bandwidth, a
staked configuration on patch antenna can be used. The inset feeding mechanism as
well as substrate materials are the key factors for improved antenna performance
as shown in [12]. To support the statement we can say that ‘Rogers’, a substrate
material, gives better performance like S11 parameters gain and return loss [13]. To
filter EM noise, it’s very important to design high quality transceivers that will
ensure polarization and improved QoS factors of antenna [14].
IoT enables the possibility of virtual mapping between static and mobile devices.
Wireless Sensor Network (WSN) is the most widely used approach for giving backbone
to IoT in various fields of applications [15–17]. Antennas are omnipresent in any mode
of communication, be it IoT or cellular communications. Microstrip line fed multiband
microstrip patch antenna is affordable due to its low cost manufacturing and flexible
design. Polarization diversity and easy to feed capacity makes it more applicable [18] as
seen in applications of the antenna in fixed satellite communication, space research, to

name a few. The folded miniaturized antenna for IoT (FMIoT) serves the IoT Europe
band (805–835 MHz) with 95% reduced size and 55.7% radiation efficiency [19]. With
reduced and folded size, a similar operation frequency range can be achieved as dis
cussed in [20] and it promises size reduction of the physical dimensions of the antenna
with slots, slits and shorting pins.
Researchers designed circular patch antenna and its characteristics specific to
IoT application are analyzed for performance.
Antennas are also designed to operate in 2.4 GHz band to provide service to
LTE. Also, band 12, 25 and 2.4 GHz is widely used for communications in 5G and
IoT applications. The diplexer filters separate the bands according to the applica
tions. In this chapter, design of Microstrip Antenna is optimized using ANN
technique. Resonant frequency and height of dielectric substrate of Microstrip
Antenna are determined by applying dimension (W,L) at the input of Artificial
Neural Network optimizer. Design is initially investigated using simulation soft
ware IE3D. The results of analytical investigation are used as training data set of
ANN while some are kept to be used as test data set.
2.4 DESIGN & ANALYSIS OF MSA USING ANN

2.4.1 ARTIFICIAL NEURAL NETWORK
Multilayer Perception Neural Networks (MLPNNs) have a vast field of applications
[21,22]. It follows the back propagation algorithm. Similar to any neural network, it
also consists of input layer, a hidden layer and the output layer. The inputs of
hidden layer is assigned from the input layer as xj [23]. The neurons in hidden layer
aggregates xj values and assigns weight to obtain output data yi as shown in
Equation (2.7).
yi = f ( wij xj ) (2.7)
Here f notation represents hyperbolic or sigmoid tangent function. Similarly, the

output layer values are also aggregated.
ANN works on adjusting the weights of neurons using learning algorithm. Back
propagation learning algorithm [24] can make the alteration in wij(k) between i and j
as shown in Equation (2.8).
wij (k ) = i xj + wij (k 1) (2.8)
Here α is the learning coefficient, xj is input value, μ is momentum coefficient, and

i depends on the position of the neuron i whether it is a hidden neuron or an output
one [25,26]. Gradient descent algorithm can be used to train the NN.
Artificial Intelligence in the Estimation is shown in Equations (2.9) and (2.10).
yi = f ( wij xj ) (2.9)
wij (k ) = i xj + wij (k 1) (2.10)
In Figure 2.1 the network consists of 3 input nodes, 7 hidden nodes and 2 output
nodes. Sigmoid function is used for activation and Bias input is considered as 1 for
both layers.
Here the learning rate is considered in a range of 0 and 1 with random weights.
Following are the steps followed in the proposed work:
Step 1:"2" Feed forward computation:

1. First layer i.e. input layer output is determined.
2. The inputs of the intermediate layers are found.
3. Hidden layer outputs are aggregated.
4. Inputs for the third layer i.e. the output layer is found.
5. Final output from the output layer is obtained.
6. Error prediction takes place.
Step 2:"2" Back propagation
Backward error calculation from output layer to input layer.

Weight updating takes place based on learning rate.
1. Connecting weights updating is done between of the output layer and the
hidden layer neurons.
FIGURE 2.1 Example for Designing ANN Algorithm.

2. Also update connecting weights between input layer and the hidden layer
neurons.
Step 3: Keep repeating step 1 and step 2 to update weights at occurrence of each
event (Tables 2.1 and 2.2).
Step 4: Terminate the process when negligibly small value of the error is ob
tained (Figures 2.2 and 2.3).
2.5 RESULTS AND DISCUSSION

Optimization and simulation is performed by HFSS software for the proposed
antenna model. The prototype is then used for experimental analysis. For training
TABLE 2.1
Measurement of the proposed antenna
Substrate Size 18 mm × 20 mm
Substrate Height 2 mm
Microstrip Feed Line length 2 mm
Microstrip Feed Line width 0.5 mm
Patch length 14 mm
`Patch width 12 mm
TABLE 2.2
Comparson of results of ANN output W,L with rest to r, h , fr
r h fr W(Simulated) L(Simulated) W(ANN) L(ANN)
2.6 1.9 7.5 12.1 14.5 12 14.32

2.8 1.8 6.8 12.4 14 12.49 14.23
2.1 2 6.9 11.97 14.2 11.82 14.11
2.4 1.74 7.12 12 14.3 12.2 14.9
2.93 2.1 7.3 12.7 14.4 12.56 14.32
2.7 1.9 7.5 12.63 14 12.5 13.86
2.2 2 7.9 12.5 13.9 12.72 13.9
2.51 1.8 8 12.3 13.83 12.19 13.78
3 1.6 7.7 12 13.5 11.97 13.3
2.2 1.5 7.43 12.2 14.3 12.12 14.32
2.27 1.9 7.5 12.63 14 12.5 13.86
2.82 2.1 7.3 12.7 14.3 12.12 13.77
2.1 1.989 6.9 11.97 14.2 11.82 14.11
2.024 1.5 7.43 12.2 13.378 12.42 14.12
FIGURE 2.2 Geometry of Rectangular Patch Antenna.
FIGURE 2.3 Front View of Rectangular Patch Antenna.
and testing the network, past data sets are used. Theoretical results are matched with
measured results with maximum extent. Error obtained is infinitesimally small
(Figures 2.4 and 2.5).
2.6 DESIGN OF MICROSTRIP ANTENNA AND

CHARACTERIZATION USING SVM METHOD
Support vector machine (SVM) can be considered as a precise and stiff tool in
antenna design. SVMs are widely in application in designing rectangular patch
antenna/ rectangular patch antenna array. With proper training, SVMs are highly
Another random document with
no related content on Scribd:
SZINHÁZI DOLGOKRÓL.
1863 július.
I.
«Oly keveset értek a Nemzeti Szinház igazgatásához, mint akár

a (mult félévi) Magyar Sajtó és Hölgyfutár kritikusai.» Így szóltam a
minap, s ez nem tréfa, hanem őszinte vallomás, melyet ismételnem
kell, midőn épen a Nemzeti Szinház igazgatását illető kérvényről kell
egy pár szót szólanom. Nincs szándékom egészben véve a dolog
érdeméhez szólani, a mire se elég ismeretem, se elég hiteles
adatom nincs, de elmondok a dolog körül egyet-mást, mik talán
figyelmet érdemelnek.
Ha egy idegen kérdezné tőlem, mi a legjellemzőbb különbség a
külföldi és a magyar szinkritika közt, minden habozás nélkül azt
felelném: leginkább az, hogy a magyar szinkritika rendesen keveset
foglalkozik a szin- és dalművek birálatával, magával az előadással,
de annál többet a szinház igazgatásával, untalan bele szól,
szerződtetést és elbocsáttatást követel, pártolja a szinészeket és
szinésznőket kik fizetésjavítást kivánnak, baja van az énekmester, a
kardalnokok, a szinházi szolgák fizetésével, közönség elébe hurczol
egy csoport szinházi pletykát, az elégedetlen szinészek és
szinésznők közlönyévé avatja magát, s oly nagy zajt üt minden
kicsinységből, mintha egy miniszter megbuktatásáról vagy valamely
nemzeti nagy kérdés kivívásáról volna a szó.
Valóban szinikritikánk ez annyira jellemző oldala példátlan az
európai journalistákban. Sehol sem olvastam, hogy a kritikusok a
szinházigazgatók megbuktatásában, a szinészek fizetései
fölemeltetésében vagy leszállíttatásában keressék ambitíóikat s a
művészeti oldal helyett gazdaságukkal és személyökkel
foglalkozzanak; mindenütt megelégesznek az æsthetikai itélettel,
csak ezáltal kivánnak hatni az igazgatásra, sőt többre, mint
kritikusok, nem is érzik magokat jogosítva. Egy államszinház elvi
reformja vagy újonnan rendezése idéz elő másutt is vitát, de az
igazgatás speciális és személyes kérdései miatti zaj egészen csak a
mi találmányunk. Pedig ha van Európában szinház, melyet igazgatni
s igazgatásról itéletet hozni nehéz, ez a mi Nemzeti Szinházunk.
Másutt az operának és drámának külön szinházai vannak, így
könnyebb találni szakértő igazgatót; nálunk e művészeti két ág
egyesítve lévén, oly nehéz, hogy Nemzeti Szinházunknak még
egyetlen igazgatója sem volt, ki a művészet e mindkét ágában
szakértő lett volna; Bajza oly kevéssé, mint Ráday s a többiek.
Bizonyosan most sincs senki íróink vagy főuraink között, kit ily
értelemben szakértőnek lehetne nevezni, a ki e mellett külföldön
vagy itthon a szinházigazgatást speciális tanulmányává tette volna.
Nekünk sajátságos viszonyainknál fogva folyvást meg kell
elégednünk oly igazgatókkal, kik több vagy kevesebb
tájékozottsággal a művészetben elég belátók a szinház művészeti
intelligentiája s a valódi közvélemény útmutatásait a legjobb módon
felhasználni; elég lelkiismeretesek és jó gazdák a szinház
pénzviszonyait soha sem téveszteni szem elől, s elég türelmesen
szigorúak igazságosan és tapintattal kormányozható szinészi népet.
S ha ide veszszük még azt is, hogy színigazgatónknak az opera és
dráma gyakran ellentétes érdekeit egyaránt védeni és ápolnia kell;
hogy a magasb művészeti igényeket épen úgy szolgálni tartozik,
mint kénytelen gondoskodni mindennapi kenyeréről, mert
subventiója mindig csekély volt s a mi most kilátásban van; sem
annyi, hogy egészen fölmenthesse a megélhetés gondjai alól, még
nehezebbé válik szinházigazgatóink pályája. Még mennyi
nehézséget lehetne előszámlálni a társadalmi viszonyoktól fel a
politikaiakig! S vajon e sok nehézséget tekintetbe veszi-e kritikusaink
és journalistáink többsége; szól-e szinházunk igazgatásához elég
eszélyesen, alaposan, igazságosan s a szinház érdekeinek
tekintetbe vételével? Bajos igennel felelni, kivált azon lapokat
illetőleg, melyek legtöbb zajt ütnek a szinházigazgatás kérdésével.
A dráma és opera közti szerencsétlen küzdelem előidézésében
jó része van jornalistáinknak. E küzdelem egy idejü színházunk
megnyiltával s még máig is tart. A közönség egyik legbefolyásosb és
áldozóbb része majdnem kizárólag az opera érdekei ápolására
ösztönzi az igazgatót; journalistáink legtöbbje keveset ad az operára,
kivéve akkor, ha valamelyik igazgató ellen vádkép hozhatja fel;
majdnem elnyomására törekszik, sőt még az országgyűlési
bizottságban is találkozott tag, a ki az opera teljes eltörlését
indítványozta; mintha bizony egy már virágzásnak indult művészeti
ágat helyes volna eltaposni; mintha az bizony lehetne módunk két
szinházat, egy operait és drámait állítani, és fentartani; mintha
eltörlesztésének Nemzeti Szinházunknál Pest viszonyai közt nem az
volna következése, hogy az ujtéri szinház újra divatba jőjjön s a mi
nemzetink félig-meddig kimenjen divatból. Az igazgató, kinek
kötelessége a színházi pénzviszonyaihoz képest mindkettő érdekeit
ápolni, folyvást két tűz közé van szorítva s mindkétfelől csak vádakat
hall. Azonban ez még hagyján, némileg természetes, mert
szinházunk szervezetéből loly. De semmikép nem nevezhetni
természetesnek kritikánk fentebb jellemzett eljárását, mely, mióta
szinházunk fennáll, folyvást divatozik s az igazgatók pályáját annyira
nehezíti. Az igazgatási, pénzügyi, szerződtetési és fegyelmi
kérdések előtérbe tolása pusztán csak izgatási eszközzé válik. A
czél nem hatni az igazgatóra, hanem megbuktatni; egész
ministernek nézik, a ki ellen rendszeres ellenzéket kell szervezni.
Egy pár elégedetlen szinész, egy pár boszus journalista vagy
drámaíró egyesül s kész a harcz életre halálra. Ide járul még néhány
kezdő író, kik irodalmi pályájuk boldog éveit élvén, semmiben sem
találnak nagyobb gyönyört, mint Demosthenesként mennydörögni a
szinház zsarnoka ellen s tudtára adni a világnak, hogy ők is élnek s
uralkodni akarnak. A szinész igaz és nem igaz adatokat, híreket hord
ki a színháztól; a journalista feldolgozza. Oly dolgok válnak a
mindennapi vita vagyis inkább zaj tárgyává, melyekhez csak
kivételesen, nagy discretióval s hiteles adatok nyomán lehetne
nyulni. Az igazgató elleni gyűlöletből nem kiméltetnek a szinház
érdekei sem. Egy pár tévedés elég arra nézve, hogy az igazgató a
színház elleneségének, megbuktatójának kiáltassék ki, mintha
lehetne igazgató, ki egyben-másban ne tévedjen, kivált a mi
szinházunknál. Minden bajért, mely a színház szervezetéből vagy az
eszközök elégtelenségéből foly, egyedül az igazgatót teszik
felelőssé. Az összes szinházi személyzet hibái, az olyanok is,
melyek nincsenek kapcsolatban az igazgatással, az igazgató hibáiul
rovatnak fel. A Nemzeti Szinház igazgatásának kérdése oly
könnyűnek tetszik, hogy ujdonságírók, kik keveset értenek a
drámához, semmit az operához, soha sem tették tanulmányuk
tárgyává a szinház belviszonyait, csak úgy írnak róla, mintha a
bérkocsisok gorombaságát kellene megróniok. Husz harmincz
sorban minden nap ukázokat bocsátanak ki az opera és dráma
szervezéséről, hogy kit kell s kit nem kell szerződtetni, kit nem
szabad elbocsátani s több efféle, melyeknek ha nem
engedelmeskedik az igazgató jaj, neki, mert elárulta egyik
legdrágább nemzeti intézetünket. E rendszeres izgatás, zaj és
pletyka rendesen nemcsak megbénítja az igazgató intézkedéseit,
hanem elfordítja tőle a közönséget is. Az igazgatónak bajos minden
hírt megczáfolni, minden támadást visszaverni, sőt némely kényes
természetű ügyében épen lehetetlen. Egy pár tekintetélyesebb
politikai lap vagy irodalmi folyóirat közönyös a szinház beldolgai
iránt, vagy mert nem akar egyoldaluan ítélni, vagy mert nem tartja
fontosnak, s nem óhajtja gyümölcstelen polemiáknak megnyitni
hasábjait. A legtekintélyesb szépirodalmi irók nagy részt szintén így
gondolkoznak. Az az egy pár ember, ki a kritikával tüzetesebben
foglalkozik, resteli ártani magát oly dolgokba, melyek tulajdonkép
nem tartoznak az æsthetikai kritika körébe, melyekben nem tartja
magát competens bírónak, vagy ha tartja is, kétkedik az adatok
hitelességében s nincs módja vagy ideje utánok járni. Szóval az
igazgató, ha nincs valami nagy szerencséje és figyelmetlenségből
vagy kénytelenségből megsértett nem épen kíméletre méltó
érdekeket, csakhamar maga ellen látja a lapok többségét. A zaj mind
erősbül, a közönség lassanként mindent elhisz, mert a kik bátran és
sokszor állítanak valamit, mindíg hitelre találnak azok előtt, kik azt
bizonyosan nem tudhatják. Az igazgató kénytelen visszavonulni, jő
egy másik, kit nagy hozsánnával fogadnak, de a ki egy pár év mulva
szintén úgy jár, mint előde, miben aztán az a legrosszabb, hogy
igazgatóink hamar változván, egyik sem szerezhet magának elég
tapasztalatot, gyakorlottságot s mindig újonczok kisérleteivel kell
találkoznunk.
Íme az okok, melyek alapján hibáztatnom kell a kritikának oly
nagy mértékben s oly könnyelmű módon foglalkozását a szinház
belügyével, a mint ez nálunk oly régóta divatos. Íme miért nem
ajálhatni elég tapintatot és eszélyt mindazoknak, kik a szinház
igazgatásába beleszólni elég competens bíróknak tartják magokat,
legyenek akár ellenségei, akár barátai az igazgatónak. Rajzom talán
túlzottnak tetszik, pedig nincs benne más túlzás, mint az, hogy egy
pár évtized eseményei vannak összepontosítva benne. Hogy a
jelenre sok illik belőle, bajosan tagadhatja valaki, sőt van két oly
adatom is melyeket, mint egész újakat, meg sem említettem. Egyik a
budai szinház melletti izgatás a Nemzeti Szinház és igazgatója
rovására; a másik több írónak és művésznek a legfelsőbb helyre
benyujtandó kérvénye, mely többek közt a Radnotfáy igazgató úr
elmozditását kéri. Nemzeti Szinházunknak minden leendő igazgatója
el lehet reá készülve, hogy kivált ez utóbbi eszköz fel fog
használtatni ellene, mert mindig találkozik egy pár iró, kik elég
erélyesek husz-harmincz sort fogalmazni és aláírókat szerezni, ha
mindjárt oly írókat és művészeket is, kik soha sem járnak a
szinházba. E kérvénynek épen az előttem a legroszabb oldala, hogy
ha divatba jő, még inkább meg fog nehezíttetni az igazgatók pályája,
melyet tulajdonkép könnyíteni kellene.
De miért e kérvény, miért a szenvedélyes és makacs
megtámadás, melyet Radnotfáy úrnak mindennap szenvedni kell;
miért kiáltják ki a Nemzeti Szinház megbuktatójának, a legroszabb
igazgatónak, ki valaha csak volt és lesz? Nem tudom. Nem vagyok
oly bölcs, hogy mindent megfejtsek. Lehet, hogy divatba jött s a divat
ragadós, s ha gróf Ráday nem épen fontos okokból legkitünőbb
igazgatónknak kiáltatott ki, miért ne kiáltsuk ki Radnotfáyt szintén
nem fontos okokból a legroszabb igazgatónak? Én nem védhetem
Radnotfáy urat, nem itélhetek igazgatásáról. Az operához semmit
sem értek, soha sem tettem tanulmányaim tárgyává, se a szinház
belviszonyait, se az igazgatást; nem ismerem a szinház budgetjét;
nem tudom az igazgatónak mily hatásköre van, mennyit tudhatni be
neki, s mennyit a felette álló szinházi bizottságnak; minő terhekkel,
mily állapotban vette át a jelen igazgató a szinházat elődjétől; min
segíthetett volna s min nem stb. Szóval én csak a drámához s a
drámai előadáshoz értek, szóval én oly keveset értek Nemzeti
Szinházunk igazgatásához, mint a boldogult Magyar Sajtó s a nem
boldog Hölgyfutár kritikusai; legfeljebb csak abban különbözőm
tőlök, hogy sejtem a szinházunk igazgatásának nehézségeit s
jobban használom logikámat az igazgatás ellen támasztott zaj
megitélésében, mint ők, kik épen legtöbbet zajongnak. E csekély
készülettel kell hát síkra szállanom az elhírhedt kérvény ellenében,
még pedig csak azon ismertetés alapján, melyet róla Reviczky
Szevér a mult félévi Magyar Sajtó 133-ik számában közrebocsátott.
Ne várjon tőlem az olvasó valódi bírálatot, csak egy pontban akarok,
mint bíráló beszélni, a többiben nem leszek más, mint egy ember a
közönségből, ki pusztán csak logikájára támaszkodik. De kifogyván
a térből, fejtegetéseim többi részét a jövő számra kell halasztanom.
II.
Tehát kérvény készült, mely több író és művész nevében a jelen

igazgató elmozdítását, új rendszer behozatalát sürgeti, s mely a
legfelsőbb helyre fog beadatni. Reviczky a múlt félévi Magyar Sajtó
már idézett számában megismertette e kérvényt s felhívta az írókat,
művészeket és szinészeket (e megkülönböztetés szerint a szinészek
nem tartoznak a művészek kategóriájába) a kérvény aláírására.
Sokan csodálkoztak, hogy Reviczky állott e kérvényező írók és
művészek élére, a ki se művész, se drámaíró, se zene- vagy dráma-
kritikus és soha a szinház ügyeivel nem foglalkozott. Én nem
csodálkoztam. Reviczky sok mindent megkísért az irodalomban, sok
mindenhez hozzászól, utoljára valamelyiket csak eltalálja. Aztán
tekintetbe kell vennünk azt a körülményt is, hogy a múlt évben,
midőn Reviczky az Új nemzedék élére állott. A csoportosulás mint
eszme jelszót írta ez új irodalmi párt zászlójára; az Új Nemzedék
ugyan megbukott, de a jelszó mind tartotta magát s íme új
csoportosulás állott elő, s bár az eszmék itt is meglehetősen
hiányzanak, de Reviczkynek nem lehetett hiányozni.
Azonban halljuk mit akarnak ő és társai: «Ők – úgymond
Reviczky czikkében – abban a hitben vannak hogyha a Nemzeti
Szinház igazgatása a jelen állapotban hagyatik, a magas évi
segélypénz nem fogja azt az eredményt előidézni, melyre oly vágyva
vágyik a szinház ügye iránt érdekelett irodalom, művészvilág és
országos közönség. Több éve múlt, hogy a hazafiui lelkesedés által
alapított drága közintézet eredeti czéljához, a magyar
drámairodalom művelése- és terjesztéséhez, oly viszonyban áll, a
mi, ha nem hanyatlás, minden esetre erőpazarló vesztegelés. Az
iránytévesztés, a visszaélések szaporasága, a szinház belső
érdekeinek szembeszökő ignorálása: a jelen igazgatóság vagy talán
jobban mondva igazgató alatt kezd a tetőpont felé haladni.»
Felemlítik továbbá a sérelmeket általánosságban. «A szinház
tagjainak megválasztásában és eleresztésében semmi tapintat és
lelkiismeretesség: a pénztár hasznavehetetlen tagok
összehalmozása által terhelve; az eredeti szinműirodalomra kevés
gond fordítva; az æsthetikai szempontok elhanyagolva; az
igazgatásba oda nem illő befolyások harapózva s az egész
közvetlen ügykezelésben avatatlanság, érzék- és szakképesség
hiányának jelei.» Mint a pesti irodalom és művészvilág tagjai,
orvosoltatni kívánják e bajokat; óhajtják, hogy a jelen igazgatás alatt
elharapozott visszaélések megszűntetése végett hallgattassék meg
az 1861-ki országgyűlés által kinevezett színházügyi bizottság
véleménye, vagy szereztessék arról a maga rendes útján tudomás;
engedtessék meg, hogy változott igazgatási rendszer és más
igazgató mellett a magas évi segélypénz áldást hozó adománynyá
váljék a Nemzeti Szinházra nézve.
Reviczky polemiával kíséri az ismertetést, tiltakozik a kaján
föltevések ellen, megrójja az alkalmazkodó melléktekinteteket,
megtámadja a töprengő pessimust, ürügyűl bitorlott politikai
kifogásokat, nagyképüskedést, semlegességet. E vádak egy jó része
leginkább a Pesti Napló és Koszorú-ra vonatkozhatik, melyek épen
nem barátjai az egész zajos kérvényezésnek. Mit mond a Pesti
Napló egyik dolgozó társa e vádjára, az az ő dolga a Koszorú nem
elegyedik czáfolatába s a kérvénynek úgynevezett politikai oldalát
egészen mellőzi. De annyit mégis megkérd: vajon hiszik-e komolyan
a kérvényezők az országgyűlés által kinevezett bizottság
összehivását, holott az akkor sem hívatott össze, midőn a subventio
kérdéséről folyt a tanácskozás? Továbbá, mit értenek ez alatt «vagy
a maga rendes útján», mi alatt sok mindent lehet érteni? És végre,
ha csakugyan eszméjök van a kérvényezőknek a szinház reformjára
nézve, súlyos vádjaik az igazgató ellen s nem elég nekik a hírlapok
tere, vajon nem volt-e alkalmuk a múlt télen épen a subventio
ügyében összehívott tanácskozás elébe terjeszteni mindazt, mi
szívükön fekszik? Husz-harmincz soros kérvény helyett egész
részletes memorandumot dolgozhattak volna kapcsolatban a
subventio kérdésével; e mellett előadhatták volna vádjaikat a
szinházigazgató ellen, minden zaj, tüntetés nélkül, a mi a szinház
érdekeinek is inkább használ vala. Miért jut eszökbe csak most a
szinház reformja, miért lépnek föl csak most Radnotfay ellen? E
kérdések sokat levonnak abból a kegyeletből és «kötelességhű»
éberségből, melyet Reviczky emleget s némi szenvedélyes
torsalkodást is gyaníttattnak. Egyébiránt a kérvényezőknek az
országgyűlési bizottsággal való paradirozása fogalomzavar. Az
1861-ki országgyűlés kinevezett egy bizottságot, hogy megvizsgálja
a szinház hiányait, tegyen jelentést rólok s készítsen javaslatot arra
nézve, hogy mikép lehetne a Nemzeti Szinházat neve méltóságához
illő állapotba helyezni mind anyagi, mind szellemi tekintetben. A
bizottság eljárt kiküldetésében, beadta jelentését, javaslatát s ezzel
megszünt bizottság lenni. Jelenleg semmi nemű országgyűlési
szinházi bizottság nincs se jogilag, se tényleg. Hogy a kormány a
subventio kérdésében e bizottság néhány tagjait is meghívta, csak
azt mutatja, hogy ő is bizalmat helyezett azok némelyikébe, kiket az
országgyűlés ez ügyben kiküldött volt, de a meghívott tagok
természetesen csak mint szakavatott egyének jelentek meg s nem
mint az ország képviselői. Ez egyének összehívása s megjelenése
se alkotmányos, se alkotmánytalan eljárás, csak épen tapintatos, a
mi minden esetre viszonyaink közt méltánylatot érdemel, de kár reá
holmi alkotmányi dogmákat építeni.
A mint a múlt számban előadtam, teljességgel nem vagyok
barátja annak, hogy szinikritikánk nagyobb részt mellőzi a művészeti
oldalt s igazgatási és gazdasági kérdésekkel foglalkozik. Hogy ez
nem a szinikritika köre, könnyen megfoghatni; de egyszersmind nem
állítottam, hogy egy államszinház reformja vagy újonnan rendezése
ne foglalkoztassa a hírlapokat s hogy az igazgatásnak netalán nagy
visszaélései, hibái, kivált a pénzügyet illetőleg, a körülmények
szerint mintegy kivételesen, discretióval, hiteles adatok nyomán
napfényre ne hozassanak, mint bármely közintézeté. Azonban épen
az a baj, hogy hírlapjaink minden nap emlegetik a reformot,
mindennap támadják az igazgatót, de sohasem foglalkoznak
komolyan az ügygyel. Írt-e a kérvényező írók közül valamelyik
tüzetes czikket a szinház reformjáról, a kilátásba helyezett
subventióval kapcsolatban? Adott-e tervet a szinház újonnan
rendezésére, s épen Reviczky, ki annyi mindenhez szól, annyi
vasútat épít, építtetett-e csak egy légváracskát is Nemzeti
Szinházunk jövőjének? Az igazgató eljárása vétetett-e tüzetes bírálat
alá, hiteles adatok nyomán, mintegy számokkal kimutatva?
Hallottunk elég zajt, gúnyt, olvastunk oly czikket is, mely a
szabadjegyek elvételét egyik fő sérelemként tárgyalta, de olyat egyet
sem, mely a dolgot derekasan felfejteni igyekszik, s igazolni képes e
súlyos vádakat: «lelkiismeretlenség, az igazgatásba oda nem illő
befolyások elharapózása, a pénztár megterheltetése, a szinház
érdekeinek szembeszökő ignoralása» stb. Még a politikai életben is
a kérvényeket tüzetes tárgyalások szokták megelőzni a hírlapokban.
Ha már divatba hoztuk a kérvényt a szinházigazgatás ügyében,
vajon a szinház reformja s az igazgató csúfos elmozdítása nem
érdemelnek-e még egy kis behatóbb analysist? S miért csak az
igazgató letételét kérni, miért nem vádolni a színházi választmányt
is, mely a legfőbb dolgok elintézésébe szintén befoly, az igazgatóval
együtt felelős, s mely elég lelkiismeretlen eltűrni színházunknak a
végelpusztulás örvénybe hanyatlását?
Még tovább fűzhetni e kérdéseket. Ha a kérvényezők a
hírlapokban nem fejtegették tüzetesen se a színház reformját, se a
jelen igazgatás hiányait, visszaéléseit, miért nem csatoltak
kérvényökhöz egy emlékiratot, mely mind a két kérdést kimerítőn
tárgyalja? A kérvényező írók és művészek nem mint a nagy
közönség tagjai léptek föl, hanem mint szakértő emberek, az
irodalom és művészet érdekében. Így egy kimerítő emlékirat
készítése kétszeres kötelességök lett volna. Reviczky ugyan
indítványozza, hogy, ha majd többen lesznek, gyűljenek össze, «s
bízzanak meg keblökből szakismeret és tükörtiszta gondolkodásmód
tekintetében kiváló pár egyént a szinház ügyének tárgyalásába
ereszkedő emlékirat szerkesztésével, mert ebből ki fog tünni
felszólalásunk indoka.» Nem tudom, megtalálták-e a kérvényezők «e
szakismerő és tükörtiszta gondolkodású egyéneket» kik megírják
azt, mit ők tulajdonkép nem tudnak eléggé tisztán? Sok mindent
olvashatni lapjainkban a kérvényezők megbizottjairól, a kérvény
felviteléről, de hogy valami emlékiratot is szerkesztettek volna, arról
hallgat az írás. Íme egy újabb ok, hogy elhamarkodott, könnyelmű
lépésnek tartsuk e kérvényt, még akkor is, ha különben helyeselnők.
De még más oldalról is fontos ellenvetésre találhatni. A kérvény
legfőbb czélja, a mint Reviczky előadja, Radnotfay elmozdítása. Jól
van, de van-e a kérvényezőknek igazgatójelöltjök? Ha egy kérdést
annyira személyhez kötünk, egy más személyt kell vele
szembeállítanunk. A kérvény hallgat a kérvényezők igazgató-
jelöltjéről. Megengedem, hogy ez nem hiba, noha akkor nem kellett
volna oly élesen személy ellen intézni a kérvényt. De miért nem
emlegetik a kérvényezők főbbjei a rendelkezésekre álló lapokban
igazgató-jelöltjöket? Vagy ezt nem szükség tudnunk? Lehet, hogy
Radnotfay tévedett, hibái vannak, de vajon jobb jő-e helyébe? Ha
már az igazgatókat teszszük-veszszük, nem jó volna-e a hírlapoknak
hozzászólani, hogy az a leendő igazgató mennyiben alkalmas
egyén, be fogja-e tölteni helyét? Vagy a kérvényezők czélja csak a
Radnotfay megbuktatása, aztán nem bánják bár ki lesz, a többit
egészen azokra bízzák, a kik Radnotfayt jó igazgatónak nézték s
eltűrték, hogy szerintök tönkre tegye a színházat? Ez a kérvény
szempontjából sem helyes logika.
A kérvényezők neveinek oly mély titokba burkolása sem igen szól
a kérvény mellett. Az ily kérvényekről való tudósításokban divat,
épen az ügy érdekében nemcsak az aláírók nagy számát emlegetni,
hanem a nevezetesb aláírókat is. A kérvényt pártoló lapok alig
emlegetnek egy pár kérvényezőt, de annál többször olvassuk itt-ott,
a «magyar irodalom és művészet képviselői», «a magyar írók és és
művészek nagy része», «hatvan journalista, író és művész írta alá
már a kérvényt». De kik azok a művészek és journalisták és írók? A
szinészek nem. Midőn Reviczky fennebi czikkében aláírásra
szólította fel őket, nyilatkozatot adtak ki, melyben visszautasították a
felszólítást, szükségtelennek nevezték a kérvényt s a mennyiben az
igazgató működéséről már döntő ítéletet akar hozni,
méltánytalannak, időelőttinek is; egyszersmind indokolni is
igyekezték nyilatkozatukat, mindenesetre több okkal, mint a
kérvényezők kérvényöket. A politikai lapok szerkesztői sem vettek
részt a kérvényezésben; közülök csak Lonkayt halljuk emlegetni.
Eötvös, Csengery, Jókai, Arany szintén nem írták alá a kérvényt. A
zene- és dráma-kritikusok közül csak Ábrányi és Zilahy léptek föl. De
legyenek bárkik az aláírók, több okból tiltakoznom kell némely pesti
és bécsi lap azon állítása ellen, hogy a kérvény az összes magyar
irodalom és journalistika véleménye. Ha az összes magyar irodalom
és journalistika helyesnek látta volna beleavatkozni a dologba, talán
csak szabatosabban tudott volna fogalmazni húsz-harmincz sort,
mint a kérvényezők.
Én nem olvastam a kérvény eredetijét, de nincs okom föltenni
Reviczkyről, hogy azt hűtelenűl igyekezett volna ismertetni. S mily
két nagy hiba ötlik fel benne, mindjárt az első tekintetre. Egy helyt ez
áll: «Több éve múlt, hogy a hazafiúi lelkesedés által alapított drága
közintézet eredeti czéljához a magyar drámairodalom művelése és
terjesztéséhez, oly viszonyban áll» stb. Tehát a Nemzeti Szinház
eredeti czélja csak a magyar drámairodalom művelése és
terjesztése. Különbözik-e e meghatározás szerint Nemzeti
Színházunk a Toldy István Nemzeti Szinház czimű szinműtárától,
melynek czélja szintén a magyar drámairodalom művelése és
terjesztése? Alább ismét ez áll: «Az egész közvetlen ügykezelésben
avatatlanság, érzék- és szakképesség hiányának jelei.» Az
avatatlanság hiánya annyi, mint avatottság vagy legalább is nem
avatatlanság. Ezt akarják-e a kérvényezők mondani? Aztán miféle
szó, mit tesz az az érzékképesség?
De a mint mondani szokás, ne kapaszkodjunk a szavak
egérfarkába, hanem küzdjünk meg a gondolatok hiénáival, szóljunk
a kérvény tartalmához. Hadd próbáljam meg hát. Nem vagyok ugyan
erős ember, de talán e hiénák sem oly erősek, hogy hamarjában
széttépjenek.
III.
Második czikkem megjelente óta maga a hirhedt kérvény is

megjelent a Sürgöny hasábjain. Reviczky elég híven ismertette; a
fogalmazás ebben sem szabatos; a stilushibák mind benne
maradtak, a Nemzeti Szinház meghatározása meg van ugyan
bővítve, de most is épen úgy illik Toldy István Nemzeti Szinház-ára,
mint azelőtt. Azonban egy pár különbség mégis van Reviczky
ismertetése és az eredeti szöveg között. Először egy helyt, mindjárt
elől, Reviczky és társai, az egész magyar irodalom és művészvilág
nevében szólanak: másodszor a kérvényben csak az 1861-iki
országgyűlés színügyi bizottságáról van szó, s ki van hagyva ez:
«vagy arról a maga rendes utján tudomást szerezni»; harmadszor a
kérvényezők nem kívánnak más igazgatási rendszert, csak más
igazgatást és igazgatót; a kettő közt egy kis különbség van, bár
meglehet, az illetők nem is gondoltak reá. A kérvényt ötvenöt
úgynevezett író, művész és journalista írta alá. Nem tagadhatni,
hogy van köztök néhány író, művész és journalista, de mindegyiket
csak az fogja annak nevezni, ki mindenkit írónak tart, a ki ír,
művésznek, ki dilletánskodik, és journalistának, ki valamelyik lapnál
notizeket szerkeszt vagy fordítgat.
De ne bajlódjunk a nevek és szók egérfarkával, hanem küzdjünk
meg az eszmék hiénáival, mint a múlt számban igértem. Valóban kár
volt ily igéretet tennem. A kérvényben tulajdonkép nincsenek
eszmék, csak vádak, a kérvényhez nincs mellékelve semmi nemű
emlékirat; csak nevek, mintha a csoportosúlás már eszme volna.
Mihez szóljon az ember? Collegialis igazgatást vagy teljhatalmú
felelős igazgatót óhajtanak-e a kérvényezők; művezetőket kívánnak-
e az igazgató mellé rendeltetni némi önálló körrel stb? Minderről
hallgatnak; még csak általánosságban sem szólanak azokról a
reformokról, melyeket a subventióval kapcsolatban életbe kellene
léptetni. Sehol a gondolatok hiénái. E tekintetben a vitának tárgya
sincs, s én a kérdés azon oldalához sem szólhatok, melyhez talán
némi szakértéssel szólhatnék.
A kérvény csak vádol. S csak az igazgatót vádolja-e? Nem. Mint
a múlt számban is megjegyzém, e kérvény, bár elhallgatja,
egyszersmind a szinházi bizottság ellen is van intézve. Nem tudom
tisztán, mily viszonyban áll az igazgató a szinházi választmányhoz,
de azt tudom, hogy az igazgató nem egészen független s a
bizottságnak is van része a dolgok vezetésében. A kérvényezők
ennélfogva épen úgy kérik a szinházi választmány elmozdítását,
mint az igazgatóét s talán az «igazgatás» s «igazgatóság» szó alatt
épen ezt értik. Ha nem ez lett volna czéljok, az igazgató elleni
panaszaikkal először is e bizottsághoz fordúlnak vala. De ők nem azt
tették. S kikből áll e választmány? Nem köztiszteletű hazafiakból-e,
kik közelebbi tizenkét év alatt, a legsúlyosabb viszonyok közt is
oltalmazták, ápolták, sőt fentartották a szinházat? Nem gróf Károlyi
György volt-e az, ki, midőn nyilvánosan nem volt szabad a szinház
számára gyűjteni, magán úton kétszázezer forintot gyűjtött, s oly
segélylyel járult hozzá, mely nélkül csakugyan a bukás szélén állott
volna? Hol voltak akkor Morländer, Bexheft, Spiegel, Beermann,
Király János, Friebeisz Ferencz, b. Jósika Kálmán, b. Pongrácz Emil,
Sipos Pál, Bényei Gábor, Urváry Lajos, Deák Farkas stb., a magyar
irodalom és művészvilág e kérvényező ismeretlen nagyságai, hogy
megmentsék «drága közintézetünket?» Hol volt Reviczky az ő
«kötelesség hű» bőbeszédűségével, lármás «éberségével?»
Szerkesztett-e csak egy albumocskát is az inséggel küzdő szinház
javára, mint «ügyfél» és «atyafi»? Ez a hála az úgynevezett magyar
irodalom és művészvilág részéről e köztiszteletű hazafiak iránt, hogy
még jóakaratjokat is kétségbe vonjuk.
A szinházi bizottmány és igazgatás ellen felhozott vádakat két
részre oszthatni: először olyanokra, melyek megalapításában
bajosan ágazhatnak el a vélemények, mert adatok, tények, számok
által kell igazoltatniok; másodszor olyanokra, melyek, mint talán
æsthetikai nézetek eredményei, vita tárgyai lehetnének, ha ismernők
azokat a nézeteket. A kérvényezők csak árnyoldalakról és hiányokról
panaszkodnak, de aztán oly árnyoldalakat emlegetnek, melyek
minden fényoldalt kizárnak s az egész szinházat egy nagy árnynak,
hiánynak, visszaélésnek tüntetik föl. A mibe Reviczky befoly, ott
bajos szabatos fogalmazást várni, ezért kár is fennakadni rajta.
Lássuk a vádakat, melyek szerint a színház a bukás szélére jutott.
«A színház derék, hasznavehető s népszerű régi tagjai közül sokan
eleresztve» – mond a kérvény. Sokan? Én úgy tudom, hogy csak
Füredy, Réthy és Tóth Soma eresztettek el a közelebbi
szerződtetések alkalmával, sőt ez utóbbi saját kérelmére vissza is
fogadtatott a pénztár megterheltetése nélkül. Mit érthetnek a
kérvényezők az egy pár, a néhány kifejezés alatt, ha nekik három is
sok? Aztán, vajon e művészurak nem kináltattak-e meg régi
szerződésökkel, nem azért mentek-e el, mert több fizetést kívántak?
Sőt épen ezért. Az igazgató e szerint tartozik minden
fizetésjavítást kívánó művésznek eleget tenni, mert az irodalom
tagjai úgy kívánják, mert különben mint a szinház «atyafiai és
ügyfelei» tüstént agyonlövik – egy kérvénynyel. Így a hírlapok
lassanként a fizetésjavítást kívánó szinészek közlönyeivé válnak s
az egyesek érdekei emelkednek a szinház érdekei fölé. Keveset
értek a szinházigazgatáshoz, de csekély tapasztalást kell belátnom,
hogy a journalistika ily eljárása hová vezet. Aztán ily nemű
elbocsátás most először történik-e a Nemzeti Szinháznál? Nem
volte-e oly idő, midőn szintén pénzügyi kérdés miatt a magyar
drámai művészet elsőrendű tagjai bocsáttattak el? Miért nem
kérvényezett akkor is Reviczky? Kovács Ödön, Kun Pál, Szász Béla
nem voltak a magyar irodalom tagjai. De az volt Remellay, Szabó
Richard, Medve Imre stb. miért nem kérvényeztek akkor is, miért
tisztelik meg csak Radnotfayt e nagyszerű föllépéssel?
«A pénztár új, szükségfölötti s haszon nélkül csupán a számot
szaporító tagok szerződtetése által kimerítve – folytatják Reviczky és
társai. A kérvényhez nem lévén a vádpontokat igazoló emlékirat
mellékelve, nem tudja az ember, kik e haszontalan, szükségfölötti
tagok? operaiak-e, vagy drámaiak? Az operához nem értvén, nem
szólhatok hozzá. Hogy a drámai tagok közt új, szükségfeletti,
haszontalan tagok volnának, nem vettem észre. Egyébiránt az a
felfogástól is függ. Az aláírók között vannak olyanok, kik Bajza Jenő
Zách Feliczián-ját jeles műnek tartják, míg a drámabíráló
választmány tagjai közül többen ellenkező véleményben vannak.
Egészen más az, hogy a pénztár kimerítve: ez már nagyon is
positiv kérdés, a hol számok döntenek. De mit tesz e pénztárnak e
kimerítése? Azt-e, hogy Radnotfay túlment a rendes budgeten,
többet költött, mint a hogy szabad lett volna, zavarba hozta a
szinház pénzügyét? Vagy csak azt, hogy mindazt kiadta, mit kiadnia
szabad volt, bár nem helyesen, s nem takarított meg semmit, holott
valamit megtakarítni lett volna kötelessége? Nem tudom, de ha
tudnám, se szólhatnék hozzá, mert nem ismerem a szinház
budgetjét s általában semmi nemű pénzügyi positiv adatom nincs. A
kérvényezők hihetőleg birtokában vannak mindazon adatoknak,
melyek e vádpontot támogatják. Reményi Ede alkalmasint mihelyt
Olaszországból hazajött, első gondja volt, hogy megvizsgálja a
szinház pénzügyi állását; Szegfi Mór a szerkesztéstől fenmaradt
idejét szintén az adatok kikutatására fordította, így Udvardy Vincze,
Színi Károly, Vajda János urak. Kár, hogy nem közölték adatjaikat az
illető helyen; így nagyon hiányos eljárásuk, mert semmit sem
igyekeznek bebizonyítani. Tőlem ugyan mondhatják, hogy akár
kétszázezer forintig megkárosította Radnotfay s a színházi bizottság
a színházat. Nem lévén kezeim között adatok, egy betűt sem
írhatnék ellene. Mind a mellett azt hiszem, hogy egyik kérvényező,
Reményi Ede, nagyon hibáztatná eljárásomat, ha minden biztos adat
nélkül, csak úgy egyszerűen, meggondolatlanul bevádolnám őt a
közönség előtt, hogy általa a Petőfi-szoborra gyűjtött pénzösszeg
nem biztos helyre van kiadva kamatra, a miről semmit sem tudok.
Miért másokkal azt tenni, a mit nem akarunk, hogy ők velünk
tegyenek?
«Az igazgatásba oda nem illő befolyások elharapózva – mond
ismét a kérvény. Ez megint sek mindent jelenthet: számos
visszaélést, botrányt, melyeket nem véleményeknek,
okoskodásoknak, hanem szintén adatoknak kell igazolniok. Én e
vádhoz se szólhatok. Nem vagyok beavatva az igazgatás és
szinfalak titkaiba. Lonkay, Riedl, Szende, Hegyi Gyula, Reményi
Antal hihetőleg legtöbb fölvilágosítást adhatnak e tekintetben; lehet,
hogy nekik elég idejök van a szinfalak közé, a próbákra ki s bejárni.
Szabados János, ki tudtomra Szegeden lakik, alkalmasint itt
ügynököt tart, ki őt mindenről értesíti, a mi a függönyök mögött
történik. Így a többi kérvényező urak is bizonyosan egy csoport
adatot halmoztak össze e vádjoknak a szükség esetében
támogatására. Kár, hogy a kérvényhez nem csatolták az adatokat.
Így vádjok csak nagy általánosság, mely nem bizonyít, hanem épen
bizonyításra szorúl. De mondhatni: nem közöltek-e a lapok elég
visszaélést, kivált a múlt «félévi» Magyar Sajtó és Csáládi kör.
Valóban e lapokban sok olyat olvashatott az ember, mik e vádat
némileg támogathatnák. De hihetek-e én könnyen a múlt félévi
Magyar Sajtó-nak és Családi kör-nek, midőn a Magyar Sajtó-ban
egy reám vonatkozó tényt, továbbá egyik czikkem lényegét egészen
elferdítve olvastam, midőn a Családi kör egy ártatlan novellámból oly
valamit kerekített ki, a mi nincs benne? Alkalmasint nem rossz
akaratból történt, hanem egyébből. Némely írónak és művésznek
nagyon nobilis phantasiája van; könnyen összezavarja, megmásítja
az eszméket, adatokat, miből aztán valami olyan kerekedik ki, minek
kevés a tényleges alapja. Hányszor nem tapasztalják, hogy holmi
semmiségből mily iszonyú pletyka keletkezik. Aztán egészen más
hírlapba írni valamit hallomás után, melyet jobban értesülés
esetében visszavonhatni; egészen más nagy zaj közt váddal lépni föl
s a legfelsőbb helyen. Ily esetben el kell készülve lennünk mindenre,
s kétségbe vonhatlan adatokkal és hiteles tanúkkal támogatnunk
vádjainkat. A kérvényezők tudják, hogy mily adataik és tanúik
vannak, de tőlem nem kivánhatják, hogy akár czáfolatukba, akár
támogatásukba elegyedjem.
«Az æsthetikai szempontok elhanyagolva» – folytatja a kérvény.
E vád is meglehetős homályos. Azt teszi-e, hogy a szinházunk
igazgatásában az űzleti szempont túlnyomóbb az æsthetikánál,
vagy, hogy átalában æsthetikai szempontról szó sem lehet?
Sajnálom, hogy nem vehetem ki tisztán a vádat, mert legalább egy
részben hozzá szólanék. De egy megjegyzést még sem nyomhatok
el. Ha végig tekint az ember a kérvényezők során, alig van
egynéhány, kinek æsthetikai szempontjairól tudna valamit a világ. Én
legalabb Oldal, Eltér, Kulifay, Kulcsár, Kiroly, stb. æsthetikai
nézeteinek még hírét sem hallottam. A kiket ismerek is, annyira
különböznek egymástól, hogy nem okoskodhatom ki, így együtt minő
æsthetikai nézetek uralmát követelik a kérvényezők. Dobsa és
Zilahy dramaturgiai szempontjai nagyon különböznek egymástól, ezt
mindenki tudhatja, a ki a Szent István czímű dráma fölötti vitákat
olvasta. Zilahy Molière Tartuffe-jét gyenge műnek tartja; hibáztatta az
igazgatót, hogy miért adatja épen ezt a Molière vígjátékai közül.
Nem hiszem, hogy pártolná Riedl, vagy Hegyi Gyula csak a
classicismus híréért is. A mi a kérvényező zenekritikusokat illeti,
természetesen, mint laikus nem szólhatok szempontjaikról, de annyit
észrevehettem én is, hogy meglehetős következetlenek. Reményi
ugyanegy hónapban, ha nem is ugyanegy lapban, magasztalja az
olasz zenét s nevezi a Wagner zenéjét egyedül igaznak. Ábrányi
saját lapjában egykor keveset tartott Reményi művészetéről, most
egekig emeli. Minő æsthetikai szempontok ezek? Hogy tudhassa az
ember mit értsen a kérvényezők æsthetikai szempontjain?
IV.
Mint valamely miniszternek, egy csoport jegyzékre kell

válaszolnom. Lássuk az első nagy hatalmasságét. Reményi
csodálkozik, hogy én, saját vallomásom szerint, a zenéhez nem
értve, beleszólok, itélni merek, e mellett ignorálok és ferditek.
Továbbá megjegyzi, hogy velem valami olyat hitettek el, a miből
semmi sem igaz, s hivatkozik a Zenészeti Lapok-ban megjelent
czikkeire. Hogy a zenéhez nem értek, még egyszer ismétlem, de
egyszersmind hozzáteszem, hogy csak oly részhez szóltam,
melynek megitélésére elég egy kis általános aesthetikai képzettség
meg egy kis logika. Reményi rosszul van értesülve; velem senki sem
hitetett el semmit, saját szemeimmel győződtem meg a dolog
valóságáról. Az egész igy történt. Meglátogattam egyik barátomat,
hol több jó ismerősömmel találkoztam. Itt kezembe akadva a Hon
169. és 170-ik számai, elolvastam a tárczában Reményinek
Wagnerről irt czikkeit. «Ily czikkeket – mondám barátaimnak – én is
tudnék irni, noha nem értek a zenéhez; nincs benne egyéb frázisnál,
s oly nemü tájékozottságnál, melyet akármelyik lexiconból
megszerezhetni». «Nem az abban a nevezetes – mondá
házigazdánk – hanem az, hogy Reményi, a ki itt oly határozott, sőt
tulzó pártállást foglal el Wagner mellett, nemrég majdnem ugy
magasztalta Mayerbeert, Rossinit, Donizettit, Verdit, az olasz operát,
szóval sok oly dolgot, melyek Wagner elméletével és gyakorlatával a
legjelesb ellenkezésben vannak». Ezzel hirlapcsomagjaiból kivette a
Zenészeti Lapok 1862-ik 29-ik számát, melyben Reményi berlini
diadalát irja le. Elolvastam az illető czikket. Barátomnak igaza volt.
Reményi Meyerbeert nagy embernek nevezi s a többi közt igy ir róla:
«Meyerbeer elmondhatja, hogy lyrai és drámai zene netovábbját (a
Hugenották negyedik felvonását) teremtette; nyugodtan meghalhat,
miután saját müve által emelt magának elévülhetlen emléket, s már
élve átlépte az üdvlelde küszöbét». Vajon igy nyilatkozik-e
Meyerbeerről Wagner is az Oper und Drama czimü müvében,
melynek bevezetését a Zenészeti Lapok is közlik, s melynek
töredékeit Reményi is idézi a Wagnerről irt czikkében? Nem támad-e
Meyerbeerre a legkiméletlenebben, nem nevezi-e operáit
olyanoknak, melyekben szerinte az operai tévirány s legundokabb, a
leglealázóbb alakban jelen meg? Vajon Reményi nem
visszhangozza-e Wagner e szavait általánosságban, nem nevezi-e
az ugynevezett jövő zenéjét örök igazságnak, magát Wagnert
titánnak? Melyik itt már az örök igazság, a non plus ultra, a Wagner
vagy Meyerbeer iránya-e? Reményi közvetve vagy közvetlenül
mindeniket dicséri, vagy megtámadja, a mint kedve szöszszen vagy
szüksége van reá.
Barátom azután egy más czikket adott kezembe a Zenészeti
Lapok idei 38. 39. 40. 41. 42. és 43-ik számait, melyekben Reményi
olaszországi utját irja le. Ezeket is elolvastam A 43-ik számban
mindjárt feltünt e hely: «Nincs egy-egy nehezebb feladat, mint talpra
esett s igazán kedélyes humorral tölt buffooperát irni; az e nemben
sikerültek aztán elévülhetlenekké is válnak. Hányszor hallottam már
Rossini Sevillai borbély-át vagy Párisban, midőn még a páratlan
müvész Lablanche élt; hányszor gyönyörködtem Cimarosa
Matrimonio segreto czimü dalmüvében. De az is igaz ám, hogy az ily
remek buffo-operák előadásának sikere nem a tulzott bohóczkodó,
de igazán finom humoros előadástól függ».
Továbbá a 42-ik számban dicséri Verdit, hogy olasz melodikus
géniuszát összekeveri a német (de nem Wagner-féle) irmodor
sajátságaival. Utolsó két dalmüvét nagyra becsüli s így kiált föl: «Ha
melodikus forrása ki nem apad, jogosan lehet tőle várni, hogy ezután
inkább a valódi, mint az álmúzsáknak fog élni és hódolni». A 43-ik
számban Donizettit illetőleg így sóhajtoz: «Edgardo, Donizetti
géniuszának az elévülhetlen ideálja!» Illik e mindez egy annyira tulzó
Zukünftler szájába, a minőnek Reményi mutatja be magát a «Hon»-
ban? Dicsérheti-e az az olasz operát, aki igy ir Wagner irányáról az
operában: «A rosszakarat – mond Reményi – a tehetetlenség, a
mozdulatlan tétlenség, a kiczirkalmozott formákban való undok
dörzsölés, a sötétebb korszakokban fölállitott sablonok
bálványimádása, szóval a nyegleségnek nyerészkedésre és
hatásvadászatra alapitott hazug pagodája le van rombolva,

Ebook Machine Learning and Iot For Intelligent Systems and Smart Applications 1St Edition Online PDF All Chapter

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ebook Machine Learning and Iot For Intelligent Systems and Smart Applications 1St Edition Online PDF All Chapter

Uploaded by

Copyright:

Available Formats

Machine Learning and IoT for Intelligent

Systems and Smart Applications 1st

Machine Learning Techniques and Analytics for Cloud

IoT enabled Smart Healthcare Systems Services and

Deep Learning and IoT in Healthcare Systems: Paradigms

Artificial Intelligence, Internet of Things (IoT) and

IoT, Machine learning and Blockchain Technologies for

Computer Vision and Machine Learning in Agriculture

Machine Learning for Intelligent Multimedia Analytics

Design of Intelligent Applications using Machine

Computational Intelligence (CI) can be framed as a heterogeneous domain that har-

Applied Machine Learning for Smart Data Analysis

IoT Security Paradigms and Applications

Applied Intelligent Decision Making in Machine Learning

Industrial Power Systems: Evolutionary Aspects

For more information about this series, please visit: https://www.crcpress.com/Compu-

ISBN: 978-1-032-04723-2 (hbk)

Chapter 1 A Study on Feature Extraction and Classification Techniques for

Chapter 2 Machine Learning Based Microstrip Antenna Design in

Chapter 3 LCL-T Filter Based Analysis of Two Stage Single Phase

Chapter 4 Motion Vector Analysis Using Machine Learning Models to

Chapter 5 Enhanced Effective Generative Adversarial Networks Based

Chapter 6 Deep Learning Based Parkinson’s Disease Prediction

Chapter 7 Non-Uniform Data Reduction Technique with Edge Preservation

Chapter 8 A Critical Study on Genetically Engineered Bioweapons and

Chapter 9 An Automated Hybrid Transfer Learning System for Detection

Chapter 10 Deep Learning-Computer Aided Melanoma Detection Using

Chapter 11 Development of an Agent-Based Interactive Tutoring System

Chapter 12 Fusion of Datamining and Artificial Intelligence in Prediction

• Apply different AI techniques including machine learning and deep learning

Dr. M. Vinoth Kumar, obtained his Bachelor’s degree in

Dr. R. Umamaheswari, currently working as assistant

Gadee Gowwrii Dr. M. Senthil Kumar

Dr. Tribhuwan Kumar Technology

Murugaiya Ramashini V. Sudha

Bikramjit Sharma Dr. Malik Mohamed Umar

1.3.3 Decision Trees....................................................................................13

FIGURE 1.1 Incidence and Mortality Rate of Melanoma Cancer.

1.2 FEATURE EXTRACTION

1.2.1 FOURIER TRANSFORM (FT)

The inverse fourier transform is given by

The discrete fourier transform of the two-dimensional signal is given by

The inverse fourier transform of two-dimensional signal is given by

Where M, N represent variable size and i, j represent continuous variable.

1.2.2 SHORT TIME FOURIER TRANSFORM (STFT)

where, f(t) is the signal,

1.2.3 WAVELET TRANSFORM

• Continuous wavelet transform.

The 1-D Continuous wavelet transform is given by

1.2.3.1 Discrete Wavelet Transform

FIGURE 1.2 Wavelet Decomposition Filter Bank.

• Many coefficients are needed to capture point singularities.

1.2.3.2 Discrete Curvelet Transform

The curvelet transform is given by

C(j, , k1, k2) = 0 x<M f (x, y ), j , , k1 k2 (x, y ) (1.10)

1.2.3.3 Discrete Contourlet Transform

FIGURE 1.3 Frequency Tiling.

FIGURE 1.4 Contourlet Decomposition.

Laplacian Pyramid captures point discontinuities, and directional filter bank

1.2.3.4 Discrete Shearlet Transform

ST ( ) = Tt DAa DSs (1.11)

FIGURE 1.5 Shearlet Decomposition.

Ss = 1 s where s is an integer (1.13)